量子幅值估计

量子幅值估计（quantum amplitude estimation, QAE）把 Grover 幅值放大与量子相位估计拼成一个”测概率的干涉仪”：用 $M$ 次子程序调用把幅值估计到 $O(1/M)$ 误差，而经典采样只有 $O(1/\sqrt{M})$——蒙特卡罗方法的一般性二次加速。对 CFD，QAE 是”期望值输出”的算法底座：阻力系数、能谱点、湍流统计平均、不确定度量化（UQ）的采样全都是期望估计问题Montanaro 2015 (Proc. R. Soc. A)。

算法推导：幅值放大 + 相位估计

设子程序 $\mathcal{A}|0⟩=\sqrt{1-a}|{\psi }_0⟩+\sqrt{a}|{\psi }_1⟩$，其中 $a$ 是待估概率（如”阈值函数大于 $\mu$“的事件概率）。定义 Grover 算子

$$Q=-\mathcal{A}{S}_0{\mathcal{A}}^{†}{S}_1,S_0=I-2|0⟩⟨0|,S_1=I-2|{\psi }_1⟩⟨{\psi }_1|,$$

$S_0$、$S_1$ 分别对初态与目标态打相位。在二维不变子空间 $\mathrm{span}\{|{\psi }_0⟩,|{\psi }_1⟩\}$ 中 $Q$ 是旋转角 $2\theta$ 的旋转，$a={\sin }^2\theta$；其本征态 $|{\psi }_{\pm }⟩$ 对应本征值 $e^{\pm 2i\theta }$。于是对 $Q$ 做相位估计即得 $\theta$，进而 $a={\sin }^2\theta$：受控 $Q^{2^j}$ 把 $2^j\cdot 2\theta$ 的相位回踢进寄存器，逆 QFT 读出。幅值放大保证相位被相干放大（这是相对”测量—重复”的增益来源），相位估计保证读出精度随调用数线性收紧——两者叠加得 $O(1/M)$ 收敛率。

Monte Carlo 二次加速与最优性

经典采样受 Chebyshev 不等式约束：$\mathrm{Pr}[|\tilde{\mu }-\mu |\ge ϵ]\le {\sigma }^2/(k{ϵ}^2)$，$k=O({\sigma }^2/{ϵ}^2)$ 次采样且已最优。Montanaro 证明：估计子程序输出期望 $\mu$（方差 $\le {\sigma }^2$）只需 $\tilde{O}(\sigma /ϵ)$ 次调用 $\mathcal{A}$——近二次加速，达已知量子下界（至 polylog 因子最优）；且 $\mathcal{A}$ 本身可以是量子算法，量子加速可叠加Montanaro 2015 (Proc. R. Soc. A)。配套结果包括多阶段 MCMC 配分函数估计与两分布总变差距离估计的量子 walk 加速。

Kacewicz 随机化 ODE 中的角色

Gaitan 的量子 Navier–Stokes 算法是 QAE 走进非线性流体的代表作Gaitan 2020 (npj QI)：一维可压 NS 守恒形式有限差分离散后得非线性 ODE 组 $\mathrm{d}U/\mathrm{d}t=f(U)$，不做线性化，直接调用 Kacewicz 的随机化 ODE 算法——时间区间二分嵌套、局部 Taylor 级数表示近似解，其中决定精度的积分项由量子幅值估计（QAEA）求值。算法链条 QAEA → 量子 ODE 求解器 → 量子 PDE 求解器。以 oracle 调用数计的 $ϵ$-复杂度对比（$q=r+\rho$ 为 Hölder 光滑阶）：

方法	复杂度
经典确定性	$\Theta ((1/ϵ{)}^{1/q})$
经典随机	$O((1/ϵ{)}^{1/(q+1/2)})$
量子	$O((1/ϵ{)}^{1/(q+1-\gamma )})$

光滑极限（$q\gg 1$）无加速；粗糙/非光滑极限（$r=0,q\ll 1$）量子对随机为平方、对确定为指数加速——示例数字：经典随机 $10^9$ 次 oracle ≈ 量子 $3\times 10^4$ 次Gaitan 2020 (npj QI)。对含激波等间断的流场，“非光滑反而有利”的标度是这条路线的独特卖点。

图:Gaitan 量子 NS 算法在 de Laval 喷管流动上的验证——量子模拟(含 QAEA 积分求值)与精确解的 ρ、T、M 分布吻合,激波位于 x=2.1(来源:QC025)

流场统计量：期望值框架

CFD 后处理里最持久的量天然是期望/泛函：时间平均阻力 $\overline{F_D}$、能谱点 $E(k)$、区域平均通量。它们都可写成”在解态 $|x⟩$ 上测 $⟨x|M|x⟩$“或”对随机参数系综求期望”两种形式之一，分别对应 QAE 的两个用法：

• 量子态上的期望：Clader 等用辅助寄存器 + 幅值估计读 $⟨x|\hat{R}|x⟩$ 型泛函，$O(1/ϵ)$ 次迭代收敛，并把 HHL 后选择造成的 ${\kappa }^2$ 依赖改善到一次Clader et al. 2013 (PRL)；
• 系综期望：入流扰动、几何/物性不确定性的 UQ 采样即 Monte Carlo 期望估计——$\sigma /ϵ$ 对 ${\sigma }^2/{ϵ}^2$ 的二次加速直接适用Montanaro 2015 (Proc. R. Soc. A)。

限制同样清晰：QAE 的增益以相干多次调用 $\mathcal{A}$ 为前提，若每次调用之间必须插入测量或经典重初始化（混合工作流的循环结构），增益即被稀释（见hybrid-quantum-classical、io-problem）；读出侧的统计成本另见readout-strategies。

延伸阅读

• quantum-phase-estimation
• hhl
• quantum-linear-ode
• feynman-kac
• readout-strategies