《基于张量网络的机器学习入门》学习笔记7

量子算法

什么是量子算法

例如我们求解一个问题，一个$1$千克的铁球，从$3$米高的地方丢下来，多久接触地面？经典计算机的算法会例用物理学公式直接计算，而量子计算机却是“模拟真实情况”，假设有个铁球，实际丢几次。使用量子算法，类似于一种实验过程，发挥其物理特性，按我们设计的算法退出叠加态，退出叠加态的量子，有些推成了$1$，有些成$0$，最后测量到的$01100$就是计算结果。由于量子算法利用了量子的物理特性，所以我们可以让叠加态的量子高概率的塌陷到我们想要的结果上。

量子计算机不能独立于经典计算机独立存在。因为量子计算机的计算过程其实就是把算法设计成一个实验，而实验才是提速的原因。其实本质就是换个思路把传统的计算设计成了实验，然后观察实验结果。所以全过程应该是用经典计算机进行一些状态的预处理，然后转化为合适的实验让量子计算机实现，实验完成后再用经典计算机处理实验结果，如果结果不理想(因为实验会有误差的存在)，那就再做一次实验，最终获得想要的结果。

量子计算机对比经典计算机 ：

---

接下来，我们会学习三个经典的量子算法

三个经典量子算法

Grover、Shor、HHL算法

---

Grover算法

背景

$1996$年，计算机科学家$Grover$提出一个量子搜索算法，通常成为$Grover$算法。该算法指的是从$n$个未分类的元素种寻找出某个特定的元素，其本质是一个搜索遍历问题。由于很多问题都可以看成一个搜索问题，因此$Grover$算法的用途十分广泛，再量子计算领域中的影响仅次于$Shor$算法。

基本原理

假设在$N$个元素的空间中搜索，方便起见，假定$N=2$，且搜索问题恰好有$M$个解，这个问题的特里可以方便地表示为一个输入$x$的函数$f(x)$，$x$是从$0$到$N-1$的整数，$f$的定义是：若$x$是搜索问题的一个解，则$f(x)=1$，若$x$不是解，则$f(x)=0$。于是，搜索问题可归结为判决函数：
f : Ω ⟶ { 0 , 1 } f:\Omega\longrightarrow\{0,1\} f:Ω⟶{ 0,1}
对每个输入都可计算出来的条件下，从$N$元的可能解集合$\Omega$中找出一个满足$f(x)=1$的点$x$的问题。函数$f$称为一个$Oracle$(黑匣子)。

例题

假设有一个映射： 1 , 2 , ⋯   , N → { 0 , 1 } 1,2,\cdots,N\to\{0,1\} 1,2,⋯,N→{ 0,1}，有一个函数 f ( x ) → { 0 , 1 } f(x)\to\{0,1\} f(x)→{ 0,1}。当$N=4$时，假如，$f(1)=0,f(2)=1,f(3)=0,f(4)=1$，我们的目的就是找到$f(x)=1$的解，这就是一个搜索问题。在这个例题中$2,4$就是搜索解，二七只要搜索到一个解即可。但是，这个目标如何找得到呢？

假设被查找的集合为： { ∣ i ⟩ } = { ∣ 0 ⟩ , ∣ 1 ⟩ , ⋯   , ∣ N − 1 ⟩ } \{|i\rangle\}=\{|0\rangle,|1\rangle,\cdots,|N-1\rangle\} { ∣i⟩}={ ∣0⟩,∣1⟩,⋯,∣N−1⟩}且有一个量子$Oracle$可以识别搜索问题的解，识别的结果通过$Oracle$的一个量子比特给出，可以将$Oracle$定义为：$|x⟩|q⟩\stackrel{Oracle}{⟶}|x⟩|q\otimes f(x)⟩$
其中，$|q⟩$是一个结果寄存器。通过$Oracle$，当搜索的索引为目标结果时，结果寄存器翻转；不是目标结果时，结果寄存器不变。因此，可以通过判断结果寄存器的值来确定搜索的对象是否为目标值。
简单来说，$Oracle$的大致功能可以作如下定义：
$$O_{\omega }|x⟩=\{\begin{array}{l}|x⟩,ifx\ne \omega \\ -|x⟩,ifx=\omega \end{array}$$
配合两个寄存器，$Oracle$对量子态的具体操作为：先将初态制备在态$|0⟩{\otimes }^n|1⟩$上，$|0⟩{\otimes }^n$为查询寄存器，$|1⟩$为结果寄存器。经过$H$门操作后，可以将查询寄存器的量子态，变为所有结果的叠加态，即得到所有结果的索引，且记过寄存器变为$H|1⟩=(|0⟩-|1⟩)/\sqrt{2}$，再使其通过$Oracle$，可以对每一个索引进行检验，若是目标结果，则将结果寄存器的量子态进行$0、1$翻转，即：
$$\frac{1}{\sqrt{2}}(|1⟩-|0⟩)=-\frac{1}{\sqrt{2}}(|1⟩-|0⟩)$$
而查询寄存器不变。当检验的索引不是目标结果时，结果寄存器不变。因此，$Oracle$可以换一种表示方式：
$$|x⟩\left(\frac{|0⟩-|1⟩}{\sqrt{2}}\right)\stackrel{Oracle}{⟶}(-1{)}^{f(x)}|x⟩|\frac{|0⟩-|1⟩}{\sqrt{2}}⟩$$
由此可得，$Oracle$的作用是通过改变解的相位，标记搜索问题的解。
当查询寄存器由初态经过$H$门后，其将变成所有肯情况的等额叠加态，即包含着所有搜索问题的解与非搜索问题的解，记为：
$$|0⟩{\otimes }^n\stackrel{Hadamard}{⟶}|\psi ⟩=\frac{1}{\sqrt{N}}\sum _x|x⟩$$
再将所有非搜索问题$(N-M)$的解定义为一个量子态$|\alpha ⟩$，记为：
$$|\alpha ⟩=\frac{1}{\sqrt{N-M}}\sum _{x_1}|x⟩$$</