振幅编码与态制备

振幅编码（amplitude encoding）把长度 $N=2^n$ 的向量写进 $n$ 个量子比特的振幅——$|u⟩={\sum }_i{u}_i|i⟩$，这是 HHL 类算法指数内存优势的全部来源。但装载本身不是免费的：Shende–Bullock–Markov 证明任意 $n$ 比特态的制备需要 $2^{n+1}-2n$ 个 CNOT 门且渐近最优——非结构化数据装进量子态的代价是指数的Shende et al. 2004 (arXiv)。CFD 流场数据装载是”数据加载墙”，绕开它的办法（结构化右端项、QRAM、函数型制备、避免重新初始化）构成量子 CFD 的第一条战线。

振幅编码：指数容量与它的价签

归一化向量 $\vec{u}\in {\mathbb{R}}^{2^n}$ 编码为 $|u⟩={\sum }_i{u}_i|i⟩$ 只占 $n$ 比特存储——一个 $10^9$ 自由度的流场约 30 比特。对比角度编码（每自由度一个旋转角），容量优势指数级；代价是写入与读出都指数贵（读出侧见io-problem）。任何声称”量子算法解 $10^9$ 规模线性系统”的方案，都必须同时回答 $\vec{b}$ 怎么进来。

任意态制备的指数下界与匹配构造

Shende–Bullock–Markov 的构造同时给出上界与下界的思路。核心是逐比特解纠缠定理：任意 $(n+1)$ 比特态 $|\psi ⟩$ 可被多路复用旋转（multiplexed $R_y$ 与 $R_z$）打到 $\sqrt{1-p^2}|\varphi ⟩|0⟩+p|{\varphi }^{\prime }⟩|1⟩$ 的形状，即把最低位解纠缠到 $|0⟩$，剩下 $n$ 比特态递归处理。多路复用门自身可递归分解为 CNOT 与单比特旋转（可消去成对 CNOT）：

$$\text{任意 }n\text{ 比特态制备}\Rightarrow 2^{n+1}-2n\text{ 个 CNOT 门},$$

匹配计数下界 $\Theta (2^n)$——通用态制备必然指数成本，无可改进Shende et al. 2004 (arXiv)。同一框架的量子 Shannon 分解（QSD）还给出任意 $n$ 比特酉算子的合成：$(23/48)4^n-\frac{3}{2}{2}^n+\frac{4}{3}$ 个 CNOT，距理论下界不足 2 倍——通用”黑盒”量子计算同样指数昂贵，这是线路深度挑战的又一侧面（见qcfd-challenges）。

图:多路复用 R_z 门的递归分解——可消去的成对 CNOT 是把任意态制备压到 2^{n+1}−2n 个 CNOT 的关键技巧,也证明该成本不可避免(来源:QC022)

高效可制备类

指数下界只针对任意态。实践中可高效制备的类包括：

• 张量积/低纠缠态：一比特因子态的直积、量子易态（QLBM 初值常用平衡分布的简单编码，见quantum-lbm-overview）；
• 平滑函数与解析函数：可经函数求值叠加态制备——Cao 等假设右端项可由平滑函数高效求值装进叠加；QFlowS 显式研究函数型/稀疏态制备并作为其两大保加速组件之一Bharadwaj & Sreenivasan 2024 (PNAS)；
• 稀疏支集向量：非零元素个数 polylog 时按索引叠加装载；
• QRAM 辅助：量子随机存取存储器承诺 $O(\mathrm{polylog}N)$ 的振幅访问，但”廉价可扩展的无源 QRAM 在现有提案中不太可能”是近年综述引用的判断——QRAM 是一切量子算法的共性需求而非流体特有，但其工程现实性仍是开放风险Tennie et al. 2024 (NRP)。

Low–Su 最优制备查询数

QLSA 资源账的现代答案来自 Low 与 Su：区分两个 oracle——块编码矩阵的 $O_A$ 与制备初态的 $O_b$——并分别给出最优查询数。定义成功幅度 $\sqrt{p}=\Vert A^{-1}|b⟩\Vert /\Vert A^{-1}\Vert$，则 $O_b$ 查询 $\Theta (1/\sqrt{p})$ 最优、$O_A$ 查询 $O(\kappa \log (1/p)(\log \log (1/p)+\log (1/ϵ)))$ 近最优Low & Su 2024 (Quantum)。关键洞察是把”解的大小”与”病态程度”解耦：$\kappa$ 可以任意大于 $1/\sqrt{p}$，此前对两 oracle 统一按 $\tilde{O}(\kappa )$ 记账在 $O_b$ 上严重次优。对 CFD 的量化推论：当 $b$ 平滑、$\Vert A^{-1}|b⟩\Vert$ 不太小时（椭圆问题典型如此），$1/\sqrt{p}\ll \kappa$，初态制备比 $\kappa$ 级求逆便宜——这正是泊松类问题可期量子优势的定量条件之一Low & Su 2024 (Quantum)。

CFD 数据装载的现实账

把上述结果拼成工程清单：给定一个 CFD 线性步，先问 $\vec{b}$ 的来源——

1. 解析/谱表达式（体力和边界项的平滑函数）→ 函数型制备，polylog 成本；
2. 上一步的解态（隐式步进）→ 直接保留量子态继续演化，避免读出—重装的往返（混合循环中此往返的三重开销见hybrid-quantum-classical）；
3. 外部数据（测量场、任意网格值）→ 撞上 $\Theta (2^n)$ 墙，除非 QRAM 兑现。

因此量子 CFD 的现实叙事是”结构化输入 + 泛函输出”，而非”任意大数据进、全场出”——这条判断贯穿io-problem与readout-strategies。

延伸阅读

• io-problem
• hhl
• quantum-lbm-overview
• readout-strategies
• hybrid-quantum-classical