有概率的随机数_〇〇Q#（三）：随机数

〇〇Q#（三）：随机数

本文Github地址。由于Github渲染Jupyter里的公式有些问题，建议下载下来查看，这样的话，下面的代码也可以直接运行。

目录：

jks-liu/quantum​github.com

Jks Liu：〇〇Q#：前言​zhuanlan.zhihu.com

这篇文章中，你会学到以下内容

关于量子算法

• 随机数生成算法
• 量子的两个基本状态
• 初始化一个量子比特
• 测量一个量子比特
• 复位一个量子比特

关于数学

• 向量/矩阵的共轭转置，
• 向量的内积，
• 向量的范数（Norm），

关于Q#

• Q#的operation结构
• 使用Message打印Debug信息
• 分支（if）语句
• 注释//

随机数算法的实现

operation random_number(): Unit {

    using (q=Qubit()) {

        // Q#中会自动将新申请的量子比特初始化为Zero

        H(q);

        if (M(q) == Zero) {

            Message("随机数是Zero");

        } else {

            // M(q)是One

            Message("随机数是One");

        }

        Reset(q);

    }

}

• random_number

量子算法解析

首先，量子比特（qubit）有两个基本状态，一个是Zero，一个是One。这两个都是Q#的关键字。

算法核心有以下三步:

1. 初始化qubit 使用q=Qubit()向系统申请一个qubit，并将其状态初始化为Zero；
2. 叠加态 使用H(q)将qubit置于叠加态；
3. 测量 使用M(q)测量qubit。测量处于叠加态的qubit，会有一半的概率得到Zero，一半的概率得到One。

数学描述

数学上，Zero和One分别对应一个向量，在量子力学语境中，一般称其为态矢（State Vector）。

$

$

下面我们来复习一下数学知识。

共轭转置（Adjoint，Hermitian（Conjugate） transpose）

我们用

表示

的复数共轭（conjugate）。

对于矩阵

（不要求方阵），其共轭转置

符合以下定义：

。比如：

$

$

$

$

共轭转置这个定义和大家熟悉的转置有区别，我们用

表示

的转置。

向量的内积与范数（Norm）

若无特殊说明，向量默认为列向量。

对于内积大家应该对这个概论比较熟悉。我这里拿出来强调的原因是，好像大部分人只接触过实数域的情况，复数域上有些需要注意的地方。

在实数域上，向量

，

的内积

为

。其满足交换率。

在复数域上，向量

，

的内积

为

。其不满足交换率。但显然

。

不追求严谨的话，范数可以理解为绝对值，或向量的模。显然向量

（复数域上）的范数

为

。

量子比特

下面我们回到态矢。态矢也是一个复数域的向量，所以以后若无特殊说明，向量都是复数域上的。

对于单个量子比特q，记其态矢为

。那我们有以下结论：

1. 当我们测量q（判断它是Zero还是One）时，有
   的概率是
   Zero，有
   的概率是
   One;
2. 显然，考虑概率的和必为1，

量子算法再解析

前面我们说过，本算法有三步:

1. 初始化qubit
2. 叠加态
3. 测量

量子比特q的态矢变化如下

初始化会将其态矢设为Zero，即

$

$。

为了得到叠加态，我们会用到一个矩阵

，将其与原态矢

相乘，使其变为

$

$

上面出现的矩阵乘法就当大家都是会的，我就不细说了。

显然，根据上面讲的，当测量这个qubit时，各有一半的概率获得Zero或One。

以下为运行上面算法的可能结果之一：

%simulate random_number
随机数是One



()

Q#语法

上面的代码很简单，相信大家肯定没问题的。就强调几个

• 以分号结尾；
• 变量q的作用域只在using词法块里；
• 语句H(q)就直接改变了q的状态，无须写成q=H(q)之类的赋值语法。当然了，你想写也写不了；
• 注释以//开头。