HHL论文第二弹（基本过程）

这篇博客主要总结一下HHL算法的基本过程，以及我在学习这个算法的过程中所产生的困惑。

解决的困惑：
1.为啥估计出来的相位是这么个写法？（想一想相位估计里面咋写来着，两者等价就推出相位了）
2.既然相位估计是算法的核心，那我增加比特数目不就好啦？（注意整体复杂度，m的取值和条件数和精读有关）
3.幅度放大过程f(x）是啥？受控旋转的作用和黑盒一样吗？是不是也将元素分成了目标元和非目标元？
4.我干嘛要进行逆相位估计？解纠缠？
5.受控旋转的过程是什么来着？

HHL算法的核心就是相位估计、受控旋转、幅度放大这几个过程，我们先介绍一下这三个知识点的基本思想。

（1）相位估计

学过线性代数的同学想必都知道特征值和特征向量的概念，在量子计算中，这两个术语照常适用，我所理解的相位估计往大的方面说就是估计特征值。但是如果用下面这种方式表示特征值的话，相位估计就是用来估计特征向量|u>它所对应的相位|ψu>。

相位估计的具体流程：


相位估计的准确性和所选取比特数目t有关，一般t的取值越大，得到的结果越精确。

（2）受控旋转

受控旋转是一个很神奇的过程，它能够实现有效量子信息从寄存器到量子态振幅的转移。之前在量子机器学习这个公众号上，作者将这个过程称作是“提取占比”，之前还不是很理解，现在想想确实是这么回事。如果再通俗的理解受控旋转的话，就相当于论文的摘要，正文相当于量子寄存器，里面存储了很多有用的信息，摘要内容就相当于量子振幅，这个振幅里面包含了我们想要的信息，如果要用到这个有用的信息，我们就不需要在从寄存器中找了，直接通过量子振幅就可以获取了。

（3）幅度放大

这个就看我之前的笔记《量子搜索算法（知晓解的个数）》吧.

(4) HHL算法基本流程

首先来一段原文提神醒脑，理解一下算法的大体思想：

这段内容规定了矩阵A是Hermite矩阵，我们要借助Hamiltonian simulation估计矩阵A的相位，其次我们要将|b>用矩阵A特征向量的形式表示出来。因为A是厄米特矩阵，同时是正规矩阵，所以是可以归一化表示的。以下是我对这个过程的总结：

所以要知晓解向量，我们就得想办法把矩阵A的特征值测量出来，具体步骤如下：

HHL电路图：

从图中我们可以看出|x>是从寄存器|R2>输出的。其余两个寄存器的输入态都是|0>态，只是个数不一样。我们测量R3,可以测得|1>态，如果我们在进行受控旋转的时候，把我们想要得到的系数安排在了|0>态上，那么最后一步我们就不再是测量|1>态而是测量|0>态了。
我理解的逆相位估计就是将R1里面的内容解纠缠出去。
上述推理过程中出现了特征值，C，时间t0，原文中还出现了条件数K，这些数值之间存在一定的关系，并且影响着结果精确性或者是幅度放大的次数，这个我们在下一节《HHL第三弹（参数讨论）》进行分析。