2. 线性代数与量子信息基础回顾

量子线性系统算法的核心思想，是把“解线性方程组”转化为“在量子态上做酉演化与测量”。要真正读懂 HHL、量子奇异值变换等算法，必须先把线性代数对象与量子信息对象一一对应起来。本节不追求数学上的完备证明，而是建立一套“可计算、可映射、可验证”的基础框架：向量空间提供状态载体，矩阵运算提供变换规则，特征值/奇异值分解提供谱结构，密度矩阵提供混合态描述，量子测量提供从振幅到经典结果的读出通道。

向量空间：从列向量到量子态

复数域上的 n 维向量空间 Cⁿ 中，向量写作列向量 |v⟩ = (v₀, v₁, …, v_n−1)^T。内积定义为 ⟨u|v⟩ = Σ_i u_i^*v_i，它给出长度 ‖v‖ = √⟨v|v⟩ 与正交性判据。量子计算中，一个 n 量子比特寄存器的状态就是 2ⁿ 维复向量空间中的单位向量，基态 |0⟩、|1⟩ 张成单比特空间，张量积 |0⟩⊗|1⟩ 张成多比特空间。这里要强调一个约定：本文所有向量均按列向量书写，算符作用在左侧，即 A|v⟩；若需作用在行向量上则写 ⟨v|A^†。这一约定在后续算法推导中保持一致。

量子态 |ψ⟩ = Σ_i α_i|i⟩ 满足归一化 Σ|α_i|² = 1，振幅 α_i 是复数，其模平方给出测量到基态 |i⟩ 的概率。例如两量子比特态 |ψ⟩ = (1/2)|00⟩ + (√3/2)|01⟩，测量时得到 |00⟩ 的概率为 1/4，得到 |01⟩ 的概率为 3/4，其余基态概率为 0。这个简单例子说明：量子态不是“确定值”，而是概率幅的叠加，算法设计的关键就是操控这些振幅。

矩阵运算：算符、酉变换与厄米算符

矩阵 A ∈ C^m×n 表示从 Cⁿ 到 C^m 的线性映射。量子线路中的门都是酉矩阵 U，满足 U^†U = I，因此保内积、可逆，且不改变态的归一化。常见单比特门包括 Pauli 矩阵 X、Y、Z，Hadamard 门 H，相位门 S、T；两比特门以 CNOT 为代表。厄米算符满足 A = A^†，其本征值为实数，对应可观测物理量，例如 Z 的本征值 +1、−1 分别对应 |0⟩、|1⟩。

矩阵运算中，矩阵乘法对应算符复合，注意顺序：先作用 B 再作用 A 写作 AB|v⟩。张量积 A⊗B 描述两个子系统上的并行操作，维数相乘。迹运算 tr(A) 等于对角元之和，在量子信息中用于计算测量概率与约化密度矩阵。这些运算看似基础，但在推导量子相位估计、受控酉操作时会被反复使用，必须做到“看到符号就知道维度与作用对象”。

特征值分解与奇异值分解

对厄米矩阵 A，存在特征值分解 A = Σ_i λ_i|u_i⟩⟨u_i|，其中 λ_i 为实数，{|u_i⟩} 构成正交归一基。量子相位估计正是把酉算符 U 的特征相位 φ_i（满足 U|u_i⟩ = e^2πiφ_i|u_i⟩）估计出来，从而间接获得 A 的谱信息。

对一般矩阵 A ∈ C^m×n，奇异值分解写作 A = UΣV^†，其中 U、V 为酉矩阵，Σ 为对角矩阵，对角元 σ_i ≥ 0 为奇异值。奇异值分解是量子线性系统算法的“谱引擎”：HHL 算法要求 A 为厄米矩阵，通过相位估计得到 λ_i，再施加受控旋转实现 1/λ_i 的倒数；量子奇异值变换则直接对 σ_i 施加函数 f(σ_i)，实现矩阵函数 f(A)。理解 SVD 的关键是：左奇异向量与右奇异向量分别张成输入、输出空间的正交基，而奇异值刻画了各方向的“增益”。

密度矩阵：混合态与子系统描述

纯态 |ψ⟩ 的密度矩阵为 ρ = |ψ⟩⟨ψ|，满足 ρ² = ρ、tr(ρ²) = 1。当系统以概率 p_i 处于 |ψ_i⟩ 时，混合态写作 ρ = Σ_i p_i|ψ_i⟩⟨ψ_i|，此时 tr(ρ²) < 1。密度矩阵是厄米、半正定、迹为 1 的算符，这三个条件也是判断一个矩阵是否为合法量子态的充要条件。

密度矩阵最重要的用途之一是描述复合系统的子系统。若两比特系统处于 |Φ⁺⟩ = (|00⟩+|11⟩)/√2，对第二个比特取偏迹得到 ρ₁ = tr₂(ρ) = I/2，即最大混合态。这说明纠缠态的单体约化描述丢失了相位信息，也解释了为什么量子算法必须通过测量与经典后处理才能提取全局信息。在量子线性系统算法中，密度矩阵形式便于分析噪声、退相干以及测量统计。

量子测量：从振幅到经典结果

测量是量子信息与经典信息之间的唯一接口。计算基测量给出概率 P(i) = |α_i|²，测量后态坍缩到 |i⟩。更一般地，投影测量由一组正交投影算符 {P_m} 描述，P(m) = ⟨ψ|P_m|ψ⟩。若只关心统计结果而不要求测量后态，可用 POVM 描述：E_m ≥ 0 且 ΣE_m = I，P(m) = tr(E_mρ)。

在算法层面，我们通常不直接读出全部振幅，而是估计某个可观测量的期望值 ⟨A⟩ = tr(Aρ)。例如在 HHL 中，解 |x⟩ ∝ A⁻¹|b⟩ 被编码到量子态后，通过测量辅助比特或特定算符的期望值来获得解的信息。由于单次测量只能给出一个样本，需要重复制备与测量 N 次，用样本均值估计期望值，统计误差按 1/√N 衰减。这是量子线性系统算法复杂度分析中“读出瓶颈”的来源，也是设计算法时必须权衡的关键参数。

一个可手算的对照示例

设 A = [[2, 0], [0, 3]]，这是厄米矩阵，特征值 λ₁ = 2、λ₂ = 3，对应特征向量 |0⟩、|1⟩。若取 |b⟩ = (1/√2)(|0⟩+|1⟩)，则 A⁻¹|b⟩ = (1/√2)(1/2|0⟩ + 1/3|1⟩)，归一化后得到解态 |x⟩ ∝ (3|0⟩ + 2|1⟩)/√13。此时若在计算基测量，得到 |0⟩ 的概率为 9/13 ≈ 0.692，得到 |1⟩ 的概率为 4/13 ≈ 0.308。这个例子说明：算法输出的不是经典向量，而是概率分布；要恢复经典解，需要结合已知的归一化因子与多次采样统计。若把 A 换成非厄米矩阵，则需先构造 [[0, A], [A^†, 0]] 这样的厄米扩展，再用 SVD 处理奇异值，这正是 HHL 与 QSVT 处理一般矩阵的标准做法。