4. 振幅估计的数学表述

振幅估计（Amplitude Estimation, AE）之所以能对蒙特卡洛方法带来二次加速，根本原因在于它把“求期望”这件事重新编码成了“求量子态某个基态的概率幅”。本节的任务不是推导完整的相位估计线路，而是把蒙特卡洛问题严格地翻译成量子语言：定义目标振幅 a、构造算子 A、明确估计精度 ε 与置信度 1−δ 的含义，并说明从经典随机变量到量子线路的映射关系。只有这一步做扎实，后续的 QAE 线路、Grover 算子 Q 和相位估计才有明确的数学对象可依。

一、从经典期望到量子振幅

设经典蒙特卡洛要估计的随机变量为 X，取值 x 的概率为 p(x)，则期望为 μ = Σ_x p(x)·x。经典做法是采样 N 次求平均，误差按 O(1/√N) 收敛。量子振幅估计的目标，是把 μ 编码进一个量子态的概率幅中，使得测量该幅值即可反推 μ。

标准做法是引入一个辅助量子比特（ancilla）和一个作用在“样本寄存器 + 辅助比特”上的算子 A，使得：

A |0⟩_n |0⟩_a = √(1−a) |ψ₀⟩|0⟩ + √a |ψ₁⟩|1⟩

其中 a ∈ [0,1] 称为目标振幅，|ψ₀⟩ 与 |ψ₁⟩ 是样本寄存器上的两个归一化态。此时若对辅助比特测量，得到 |1⟩ 的概率恰为 a。也就是说，振幅 a 就是被编码进量子态的那个“概率”。振幅估计线路要做的，就是估计出 a 的值。

二、把期望 μ 映射为目标振幅 a

关键一步是让 a 与 μ 建立可逆的线性关系。常见映射有两种：

• 直接概率映射：若 X 是伯努利变量，取值 0/1，则 μ = p(1)，直接令 a = μ。
• 归一化映射：若 X 取值在 [0,1] 区间，令 a = μ；若 X 取值在 [x_min, x_max]，先做线性变换 y = (x − x_min)/(x_max − x_min)，再令 a = E[y]。

这样，估计 a 就等价于估计 μ，反变换即可还原期望。需要强调的是，A 必须是一个可高效实现的量子线路：它通常由“样本制备算子 P”和“目标函数编码算子 R”复合而成，即 A = R·P。样本制备负责把 p(x) 加载到量子态上，目标函数编码负责把 x 映射到辅助比特的旋转角上。

三、估计精度 ε 与置信度 1−δ

振幅估计的输出是一个对 a 的估计值 ã。我们要求：

P( |ã − a| ≤ ε ) ≥ 1 − δ

其中 ε 是估计精度（绝对误差上界），δ 是失败概率，1−δ 是置信度。在经典蒙特卡洛中，要达到精度 ε，通常需要 N = O(1/ε²) 次采样；而振幅估计在理想情况下只需 O(1/ε) 次调用算子 A，这正是二次加速的来源。

实际线路中，精度由相位估计的比特数 m 决定：ε ≈ 2^−m。因此选择 m = ⌈log₂(1/ε)⌉ 即可满足精度要求。置信度则通过多次运行取中位数或使用最大似然估计来提升。

四、从问题到量子线路的映射关系

整个映射可以概括为一条清晰的链路：经典随机变量 X → 概率分布 p(x) → 样本制备算子 P → 目标函数编码 R → 复合算子 A → 目标振幅 a → 振幅估计线路 → 估计值 ã → 反变换还原 μ̃。这条链路中，每一步都必须保持数学上的可逆性和归一化条件，否则估计结果会系统性偏移。

五、映射关系可视化

下图把上述“经典问题 → 量子振幅 → 估计输出”的映射链路、关键参数与判断条件集中呈现，便于对照理解各环节的输入输出关系。

六、映射中的常见陷阱与检查点

在实际构造 A 时，有三个容易出错的地方需要特别检查。第一，归一化条件：a 必须落在 [0,1] 内，若原始期望超出该范围，必须先做线性缩放，否则线路无法正确编码。第二，辅助比特的初态：A 作用前辅助比特必须严格处于 |0⟩，任何残余相位都会导致振幅偏移。第三，精度与线路深度的权衡：m 越大精度越高，但相位估计所需的受控 Q 门数量也线性增长，需根据实际硬件相干时间选择合理的 m。

总结来说，振幅估计的数学表述可以浓缩为一句话：把蒙特卡洛期望 μ 通过线性映射编码为目标振幅 a，再用量子相位估计以 O(1/ε) 的代价估计 a，最后反变换还原 μ。理解这条映射链，是后续学习 Grover 算子构造、相位估计线路和最大似然后处理的前提。