量子计算基础知识—Part1

2023-09-22 09:56:51

1.什么是量子计算机？

量子计算机是基于量子力学原理构建的机器，采用了一种新的方法来处理信息，从而使其具有超强的功能。量子计算机使用Qubits处理信息。

2. 什么是量子系统？

一个量子系统指的是由量子力学规则描述和控制的物理系统。在量子力学中，物理系统的状态不再是经典物理中的确定性值，而是由一个称为波函数的数学对象描述的概率分布（粒子的状态不是确定的，而是以概率的形式存在。）。波函数可以用来计算量子系统在不同状态下的概率和测量结果。波函数告诉我们在不同状态下发现粒子的概率，例如它在某个位置的概率或具有某个能量的概率。

一个量子系统可以处于多个态的叠加状态，这与经典物理中的叠加不同。量子叠加的概念意味着在观测之前，系统可以同时处于多个可能的状态，并且这些状态之间会发生干涉。

量子系统的演化是通过薛定谔方程描述的，该方程描述了波函数随时间的变化。通过对量子系统的操作和测量，可以利用量子叠加和纠缠的性质来进行量子计算、量子通信和量子模拟等应用。

量子系统可以由一个或多个量子粒子组成，例如电子、光子或原子等。这些粒子的行为受到量子力学的规则和原理的约束，如叠加原理、量子纠缠和量子态的坍缩等。

2.1 密度矩阵

密度矩阵的引入是为了描述量子系统在纯态和混合态之间的过渡，以及处理涉及量子测量和量子统计的情况。在传统的量子力学中，我们使用波函数来描述系统的态，但当系统处于混合态时，单一的波函数描述不够完整。密度矩阵的引入提供了一种更一般的描述方式，能够同时包含纯态和混合态的信息。

密度矩阵它是一个厄米、正定的矩阵，通常用ρ表示。密度矩阵可以用来描述一个量子系统的状态，无论是处于纯态还是混合态。在纯态情况下，密度矩阵是一个投影矩阵，只有一个非零特征值为1，其余特征值为0。它可以表示系统处于一个确定的量子态，例如一个粒子的自旋向上。在混合态情况下，密度矩阵是一个非投影矩阵，即具有多个非零特征值的矩阵。它可以表示系统处于多个量子态的叠加状态，这些量子态具有一定的概率分布。

密度矩阵不仅包含了量子态的纯度信息，还包含了量子态之间的相干性和相关性信息。通过对密度矩阵的运算，可以计算出各种物理量的期望值，并进一步推导出系统的性质和行为。

3. 噪声中尺度量子NISQ

噪声中的尺度量子是指在量子计算中受到噪声和误差影响的系统。尺度量子通常用于描述量子比特或量子门操作的性能和可靠性。

在实际的量子计算中，量子系统容易受到环境干扰、量子比特之间的耦合、测量误差等各种噪声的影响。这些噪声会导致量子比特的退相干、非理想的量子门操作和测量结果的误差等问题，限制了量子计算的可靠性和精度。

尺度量子考虑的是在噪声影响下的量子计算的尺度和效能。它通常涉及以下几个方面：

  1. 量子比特保真度（Fidelity）：量子比特的保真度是指量子比特实际状态与理想状态之间的相似度。在噪声中，保真度衡量了量子比特的退相干程度和受到噪声的影响程度。
  2. 量子门操作的保真度：量子门操作是对量子比特进行操作和演化的基本操作。在噪声中，量子门操作的保真度衡量了实际操作与理想操作之间的相似度，即量子门的准确性和精度。
  3. 量子纠错：量子纠错是一种技术手段，用于通过特定的算法和编码来纠正量子比特受到的噪声和误差。尺度量子研究中的一项重要任务是设计和优化有效的量子纠错方案，提高量子计算的可靠性和容错性。

3.1 退相干

退想干：量子比特的量子态由一个纯态演化为一个混合态。当量子比特处于纯态时，其量子态可以表示为一个复数的幅度和相位的组合。而当量子比特退相干时，其量子态变为一个混合态，其表示为一组概率分布，其中每个分布对应一个纯态的贡献。这意味着在退相干状态下，量子比特的量子信息和量子叠加态的特性会减弱，而经典概率的影响会增加。

4 量子原生

量子原生是指直接在量子计算机上执行的原始量子操作和量子门操作，而不是将问题转化为经典计算机上的量子模拟或优化算法。量子原生计算强调在量子硬件上使用原生的量子门操作和量子测量，以利用量子计算机的优势来解决特定的问题。

在量子原生计算中，问题的表述和算法设计与量子系统的物理特性密切相关。它可以涉及通过量子逻辑门和量子测量来构建量子电路，使用量子比特的叠加态和纠缠态进行计算，以及利用量子优势来解决特定的问题，如优化、模拟、机器学习等。

量子原生计算的主要优势是它允许直接利用量子计算机的潜力，通过充分利用量子比特之间的量子相互作用和量子叠加的性质，来执行计算和解决问题。这种方法可以在一些特定的应用领域中提供潜在的加速和优势，例如量子化学模拟、优化问题、机器学习等。

然而，量子原生计算也面临着一些挑战，包括量子比特的退相干、量子错误率、噪声和干扰等。解决这些挑战需要设计和优化量子原生算法，开发噪声抑制技术，并利用量子纠错等方法来提高计算的可靠性和稳定性。

5 什么是量子化？

日常生活中，描述一个物体的状态参数基本上都是连续的，比如说爬楼梯时，位于第几层，我们用海拔参数测量，可以测量得出3.3米。因为这些参数可以被分割成更小的部分，3.3米之后还能分的更细，如3.33米、3.333米等等。然而无限分割下去，直到不得不靠几个原子，这种单位去描述物体的长度时，量子效应就出场了。薛定谔方程告诉人们，一定会遇到不可分割的最小单位，这种最小单位统称为量子。这种现象被称为量子化。

量子化是指将经典物理系统或现象转化为符合量子力学规则的描述和处理方式的过程。在经典物理中，我们使用连续的数值来描述物理量，例如位置、速度或能量等。然而，在量子力学中，物理量是以离散的方式存在的，它们的取值被量子化为一系列离散的可能结果。

一个常见的例子是电子的能级。在经典物理中，电子的能量可以是任意值，但在量子物理中，电子的能量是量子化的，只能取特定的离散值，称为能级。当电子从一个能级跃迁到另一个能级时，它的能量变化是不连续的，而是以量子的形式进行跃迁（原子的光谱只会有几个峰值，而不是连续的谱线，这代表了原子内电子的能量，只会出现几种情况，电子不可能具有几种情况之外的中间值，这就叫能量的量子化。）。

6 什么是量子态?什么是态矢？

6.1 量子态的概念

量子态是描述量子系统的状态的概念。在量子力学中，一个物理系统可以处于多个可能的状态之一，而量子态就是描述这个系统所处状态的数学对象。量子态可以同时具有多个可能的状态，而不仅仅是单一的0或1。

量子态通常用波函数来表示。波函数是一个复数函数，它包含了关于量子系统在不同状态下的概率幅。波函数的平方模的平均值给出了观测到系统处于某个状态的概率。

  • 概率幅：用于描述量子系统状态，是一个复数，它与态矢（或波函数）相关联。量子态可以同时具有多个可能的状态，而不仅仅是单一的0或1。概率幅是这些不同状态的复数振幅，用于描述量子比特处于每个可能状态的可能性。当量子比特处于叠加态时，它的量子态可以表示为不同状态的概率幅的叠加。例如，对于一个单量子比特，它可以处于状态和的叠加态，表示为，其中是复数概率幅。这意味着量子比特同时具有成为和两个状态的可能性。

  • 相位：是概率幅的复数部分的角度，它描述了量子态的相对相位差。相位的变化可以影响概率幅的描写，但不会改变测量结果的概率分布。相位差是相对于一个参考相位而言的，通常我们选择参考相位为零。
    量子态具有叠加的性质，这意味着系统可以处于多个可能的状态的叠加态。叠加态表示了系统同时具有多个状态的概率分布，直到我们对其进行测量，才能得到一个具体的结果。

通俗来说电子处于不同的能级就说明它处在不同的量子态，这样就可以区分出来不同的量子态。
态矢（State vector），也被称为量子态矢量或量子态，是用于描述量子系统状态的数学对象。在量子力学中，态矢是表示一个物理系统可能的状态的向量。

态矢通常用符号 ∣ ψ ⟩ |ψ⟩ ∣ψ⟩表示，其中 ψ ψ ψ是一个数学符号，表示量子系统所处的状态。概率幅表示为 ⟨ ψ ′ ∣ ψ ⟩ ⟨ψ'|ψ⟩ ⟨ψ′∣ψ⟩，其中 ∣ ψ ′ ⟩ |ψ'⟩ ∣ψ′⟩表示另一个可能的量子态。这个概率幅的模长的平方，即 ∣ ⟨ ψ ′ ∣ ψ ⟩ ∣ 2 |⟨ψ'|ψ⟩|^2 ∣⟨ψ′∣ψ⟩∣2，给出了测量时系统从态 ∣ ψ ⟩ |ψ⟩ ∣ψ⟩转变到态 ∣ ψ ′ ⟩ |ψ'⟩ ∣ψ′⟩的概率。

6.2 量子态的具体介绍

在量子理论中，描述量子态的向量称为态矢，态矢分为左矢和右矢。
右矢（ket）:
∣ ψ ⟩ = [ c 1 , c 2 , . . . , c n ] T |ψ⟩=[c_1,c_2,...,c_n]^T ∣ψ⟩=[c1​,c2​,...,cn​]T
左矢（bra）:
⟨ ψ ∣ = [ c 1 ∗ , c 2 ∗ , . . . , c n ∗ ] ⟨ψ|=[c_1^*,c_2^*,...,c_n^*] ⟨ψ∣=[c1∗​,c2∗​,...,cn∗​]
采用竖线和尖括号的组合描述一个量子态，其中每一个分量都是复数，右上角标T表示转置。这种形式表示量子态是一个矢量。右矢表示一个n×1的列矢量，左矢表示一个1×n的行矢量。另外，在讨论同一个问题时，如果左矢和右矢在括号内的描述相同的话，那么这两个矢量互为转置共轭。
两个态矢的内积和外积操作如下：
给定任意的两个量子态的矩阵（坐标）表示如下：
∣ α ⟩ = [ a 1 , a 2 , . . . , a n ] T |α⟩=[a_1,a_2,...,a_n]^T ∣α⟩=[a1​,a2​,...,an​]T
∣ β ⟩ = [ b 1 , b 2 , . . . , b n ] T |β⟩=[b_1,b_2,...,b_n]^T ∣β⟩=[b1​,b2​,...,bn​]T
内积：

⟨ α ∣ β ⟩ = ∑ i = 1 n a i ∗ b i ∗ ⟨α|β⟩=∑_{i=1}^na_i^* b_i^* ⟨α∣β⟩=i=1∑n​ai∗​bi∗​

量子力学中用波函数来描述一个量子态，而内积则是用来计算两个波函数之间的相似度的。内积的结果是一个复数，它描述了两个波函数之间的相似度。如果内积的结果为0，则说明两个波函数是正交的，即它们在空间中没有重叠部分。
外积：
∣ α ⟩ ⟨ β ∣ = [ a i b j ∗ ] n ∗ n = ∣ α ⟩ ⊗ ⟨ β ∣ |α⟩⟨β|={[a_ib_j^*]}_{n*n}=|α⟩\otimes⟨β| ∣α⟩⟨β∣=[ai​bj∗​]n∗n​=∣α⟩⊗⟨β∣
其中*表示复共轭。

6.3 克罗内克积

A是 m ∗ n m*n m∗n的矩阵，B是 p ∗ q p*q p∗q的矩阵


关于个人

An AI algorithm engineer. & open-source enthusiast.

🛠 研究方向 | Research Direction

  • 💻   Artificial intelligence
  • 🌐   Quantum computing
  • 🛢   Machine learning
  • 🔧   Deep learning
更多推荐

从0搭建夜莺v6基础监控告警系统（二）：采集数据、打通夜莺显示

文章目录1.写在前面1.1.categraf采集数据1.2.官方文档传送门2.配置过程2.1.打通夜莺和VictoriaMetrics2.2.配置Categraf2.3.验证结果2.4.配置仪表盘3.部署总结3.1.操作总结3.2.仪表盘展示上一操作我们已经安装好了所需的基础服务，接下来需要打通各组件之间的数据推送和监

Kubernetes Dashboard安装部署

KubernetesDashboard安装部署1.下载Dashboard部署文件2.修改yaml配置文件3.应用安装，查看pod和svc4.创建dashboard服务账户5.创建admin-user用户的登录密钥6.登录6.1使用token登录(1)短期token(2)token长期有效6.2使用Kubeconfig文

Pyppeteer中文文档

介绍Pyppeteer是PuppeteerJavascript（无头）chrome/chromium浏览器自动化库的Python非官方端口，Puppeteer是在Node.js中使用的，而Pyppeteer是专用于Python语言的。本文档对应的是Pyppeteer的v0.0.25版本，从目前情况来看，Pyppetee

手机无人直播手机用哪些软件系统最好？

最近手机无人直播可是风靡大江南北，只要是一个抖音用户都想装个手机无人直播软件，随时随地开启手机无人直播，抖音8亿用户想想这个市场得有多大，蛋糕有多肥。那么问题来了，手机无人直播手机用啥软件？推荐：魔棒直播这里有多个理由我们还必须要选择它；1.因为手机无人直播软件，目前市面上清一色仅支持安卓版，支持苹果版的只有“魔棒直播

第2讲：Vue开发环境的搭建及运行

Vue开发环境搭建步骤1、安装nodehttp://www.nodejs.com.cn/一般安装在根目录下，直接下一步下一步安装即可。如何检测安装完毕node-v2、第二步：安装vue-cli脚手架npminstall-g@vue/cli，查看安装版本vue--version3、第三步：项目创建vuecreate项目名

软考复习 -- 计算机网络

1网络互连设备物理层：中继器和集线器（多路中继器）数据链路层：网桥和交换机（多端口网桥）网络层：路由器应用层：网关2广播域和冲突域3协议簇4网际层协议4TCP和UDP4.1TCP传输层协议——TCP：面向连接可靠的传输层协议，采用三次握手建立和关闭连接TCP的功能或服务有：可靠传输、连接管理、差错校验和重传、流量控制、

4-3 nn.functional和nn.Module

一，nn.functional和nn.Module前面我们介绍了Pytorch的张量的结构操作和数学运算中的一些常用API。利用这些张量的API我们可以构建出神经网络相关的组件(如激活函数，模型层，损失函数)。其实：Pytorch和神经网络相关的功能组件大多都封装在**torch.nn**模块下。这些功能组件的绝大部分

47个Docker常见故障的原因和解决方式

本文针对Docker容器部署、维护过程中，产生的问题和故障，做出有针对性的说明和解决方案，希望可以帮助到大家去快速定位和解决类似问题故障。Docker是一种相对使用较简单的容器，我们可以通过以下几种方式获取信息：1、通过dockerrun执行命令，或许返回信息2、通过dockerlogs去获取日志，做有针对性的筛选3、

源码：TMS FlexCel Studio for .NET 7.19

TMSFlexCelStudiofor.NET是100%托管代码Excel文件操作引擎以及Excel和PDF报告生成，适用于.NET、Xamarin.iOS、Xamarin.Android、Xamarin.Mac、WindowsPhone和WindowsStore功能概述使用FlexCelStudiofor.NET创建

moea项目的问题解决方案

moea项目的相关问题报错1：run_GAN-adjlvxm.py':[Errno2]Nosuchfileordirectory报错2：mkdir:cannotcreatedirectory‘./result’:Fileexists报错3：fromfunction.APG-SMOEA_frameworkimportop

【验证码逆向专栏】螺丝帽人机验证逆向分析

声明本文章中所有内容仅供学习交流使用，不用于其他任何目的，不提供完整代码，抓包内容、敏感网址、数据接口等均已做脱敏处理，严禁用于商业用途和非法用途，否则由此产生的一切后果均与作者无关！本文章未经许可禁止转载，禁止任何修改后二次传播，擅自使用本文讲解的技术而导致的任何意外，作者均不负责，若有侵权，请在公众号【K哥爬虫】联

热文推荐
  1. 接入国家能源平台MQTT应用案例

    一、项目介绍随着国家对节能环保措施的力度不断加大，基于物联网技术搭建的国家能源平台在国家相关部门的建设下逐渐成熟。致力于利用实际能耗数据建立能效仿真模型，通过实时寻优运算，获得当前的最优化运行策略，并将控制指令下发控制系统，快速帮助能源全面实现自身能源管理的信息化、流程化、可视化和可操作性。二、项目所面临的问题1.常规

  2. Mac电脑系统怎么样才能干干净净地卸载应用程序？

    Mac系统怎么样才能干干净净地卸载应用程序，不留下隐私数据和用户信息呢？如果有方法的话，那么该方法对于Mac电脑小白是否友好呢？CleanMyMac就是一款用于清理Mac系统下应用程序的一款清理工具，其内置了应用程序的安全卸载功能，保证了软件的彻底卸载。下面小编使用CleanMyMacX版本，带大家看看如何使用它干净地

  3. Scotch: Combining SGX and SMM to Monitor Cloud Resource Usage【TEE的应用】

    目录摘要引言贡献背景SMMXenCreditScheduler与资源核算SGX威胁模型SchedulerattacksResourceinterferenceattacksVMEscapeattacks架构ResourceAccountingWorkflowCostofAccounting具体的部署和评估见论文相关工作

  4. 自监督学习之对比学习：MoCo模型超级详解解读+总结

    文章目录一、MoCo简介1.1整体思想1.2动量1.3正负样本如何选取二、动态字典2.1query和key2.2字典特点三、编码器的动量更新3.1编码器的更新规则3.2使用动量更新的原因四、实验过程4.1目标函数：infoNCE4.1.1softmax4.1.2交叉熵损失4.1.3交叉熵损失函数和softmax的关系4

  5. 比特币 ZK 赏金系列：第 2 部分——查找哈希冲突

    在我们的零知识赏金(ZKB)系列的第二部分中，我们将其应用于解决哈希冲突难题。在这样的谜题中，两个不同的输入散列到相同的输出。此类赏金可用于：充当煤矿中的金丝雀，给我们一个有价值的提醒。存在冲突是散列函数较弱的标志，因此我们可以尽早升级以减轻损失。资助研究以发现哈希函数中的漏洞，特别是对于MiMC等新函数。碰撞攻击历史

  6. 前端工程化面试题

    下面的模块导出了什么结果？exports.a='a';module.exports.b='b';this.c='c';module.exports={d:'d'}参考答案：{d:'d'}说一下你对前端工程化，模块化，组件化的理解？参考答案：这三者中，模块化是基础，没有模块化，就没有组件化和工程化模块化的出现，解决了困扰

  7. 4 vCPU 实例达成 100 万 JSON API 请求/秒的优化实践

    “性能工程”（Performanceengineering）是个日渐流行的概念。顾名思义“性能工程”是包含在系统开发生命周期中所应用的一个技术分支，其目的就是确保满足非功能性的性能需求，例如：性能、可靠性等。由于现代软件系统变得日益复杂，我们在对抗性能这个凸显的挑战的时候往往显得无措手足，或者照本宣科的尝试一些偏方，寄

  8. 人脸修复祛马赛克算法CodeFormer——C++与Python模型部署

    一、人脸修复算法1.算法简介CodeFormer是一种基于AI技术深度学习的人脸复原模型，由南洋理工大学和商汤科技联合研究中心联合开发，它能够接收模糊或马赛克图像作为输入，并生成更清晰的原始图像。算法源码地址：https://github.com/sczhou/CodeFormer这种技术在图像修复、图像增强和隐私保护

  9. OceanBase开源获信通院认可：开源300万行核心代码、社区答疑超3万次

    昨日，在由中国信息通信研究院主办的“2023OSCAR开源产业大会”上，蚂蚁集团旗下的自研原生分布式数据库OceanBase荣获“2023OSCAR尖峰开源项目”、“2023OSCAR尖峰开源企业（开源运营与生态建设）”两个奖项。同时，完成可信开源社区评估，获得“可信开源社区”评估证书。OceanBase自2021年6