2. 蒙特卡洛方法的计算瓶颈

蒙特卡洛方法的核心思想非常朴素：当一个问题难以用解析公式直接求解时，就把它转化为一个“随机抽样求平均”的问题。以积分 I = ∫₀¹ f(x) dx 为例，若在 [0,1] 上均匀抽取 N 个独立样本 x₁, x₂, …, x_N，则可用样本均值估计积分值：

Î_N = (1/N) · Σᵢ f(xᵢ)

当 N → ∞ 时，Î_N → I（大数定律）
估计误差的标准差：σ(Î_N) = σ_f / √N

其中 σ_f 是 f(x) 在积分域上的标准差。这个公式揭示了蒙特卡洛方法最本质的特征：误差以 1/√N 的速率收敛。这意味着，若想把误差缩小到原来的 1/10，需要把样本量扩大 100 倍；缩小到 1/100，则需要扩大 10000 倍。这就是经典蒙特卡洛方法的计算瓶颈所在——收敛速率太慢，精度提升的代价是样本量的平方级增长。

从误差分析的角度看，蒙特卡洛估计的误差由两部分构成：统计误差和系统误差。统计误差来源于随机抽样的有限性，其量级为 O(1/√N)，可以通过增加样本量或使用方差缩减技术（如重要性抽样、分层抽样、对偶变量法）来降低。系统误差则来源于模型本身的近似、随机数生成器的质量、以及被积函数的不连续性或奇异性。在实际应用中，统计误差通常可以用样本标准差直接估计，而系统误差往往更隐蔽，需要通过收敛性检验和交叉验证来识别。

蒙特卡洛方法的优势在于其收敛速率与问题的维度无关。对于 d 维积分，确定性数值方法（如梯形法、辛普森法）的误差通常为 O(N^(-2/d))，当 d 较大时收敛极慢，甚至完全失效；而蒙特卡洛方法的误差始终为 O(1/√N)，不受维度影响。这一特性使蒙特卡洛方法成为高维积分问题的首选工具，也是它在金融、物理、工程等领域广泛应用的根源。

在金融工程中，蒙特卡洛方法被广泛用于期权定价和风险度量。以欧式看涨期权为例，在 Black-Scholes 框架下，标的资产价格路径可以离散化为：

S(t+Δt) = S(t) · exp[(r - σ²/2)Δt + σ√Δt · Z]
其中 Z ~ N(0,1)，r 为无风险利率，σ 为波动率

期权到期收益：V = max(S(T) - K, 0)
期权价格估计：C ≈ e^(-rT) · (1/N) · Σᵢ Vᵢ

假设某标的资产当前价格 S₀=100，行权价 K=105，无风险利率 r=3%，波动率 σ=20%，到期时间 T=1 年。使用 N=10000 条路径进行模拟，得到期权价格估计约为 6.82 元，样本标准差约为 0.15 元。若要将标准误从 0.15 降到 0.015，需要将路径数从 10000 增加到 1000000，计算量增加 100 倍。对于路径依赖型衍生品（如亚式期权、障碍期权），每条路径需要模拟多个时间步，计算量进一步放大。这正是经典蒙特卡洛方法在金融领域面临的核心瓶颈。

在计算物理中，蒙特卡洛方法用于粒子输运模拟、统计力学中的配分函数计算、以及量子多体问题的求解。以中子输运为例，每个中子从源出发，经历散射、吸收、裂变等随机过程，最终被探测器记录。模拟精度同样受 1/√N 收敛速率的限制。在工程可靠性分析中，蒙特卡洛方法用于评估结构失效概率，当失效概率极低（如 10⁻⁶）时，需要大量样本才能捕捉到稀有事件，计算成本极高。

总结来看，经典蒙特卡洛方法的计算瓶颈可以归纳为四个层面：收敛速率慢（O(1/√N)）、高维方差累积、随机数质量依赖、以及计算资源消耗大。这些瓶颈直接催生了量子振幅估计（Quantum Amplitude Estimation, QAE）的动机——QAE 能够将收敛速率从 O(1/√N) 提升到 O(1/N)，实现二次加速。理解经典方法的瓶颈，是理解量子加速价值的前提。