3. 采样问题的工程化视角

在生成模型中，“采样”不是一次抽象的概率抽取，而是一条从目标分布到可交付样本的工程链路。经典蒙特卡洛方法把这条链路拆成“构造随机源—设计转移/提议—接受或拒绝—统计估计—误差评估”几个环节；量子采样则把随机源替换为量子态制备与测量，把转移核替换为量子线路或哈密顿量演化。两者共享同一套工程度量：复杂度、精度、收敛性与资源开销。理解这套度量体系，才能判断一个采样方案在真实硬件或模拟器上是否值得执行。

一、采样问题的工程定义

给定目标分布 \(p(x)\)（\(x\in\{0,1\}^n\) 或连续空间），采样器的任务是输出一组样本 \(\{x^{(1)},\dots,x^{(M)}\}\)，使其经验分布 \(\hat p_M(x)\) 在某种统计距离下逼近 \(p(x)\)。工程上必须同时回答四个问题：

• 复杂度：单样本需要多少次目标函数求值、多少次量子门或多少次测量？
• 精度：估计量 \(\hat f=\frac1M\sum_i f(x^{(i)})\) 与真实期望 \(\mathbb E_p[f]\) 的偏差有多大？
• 收敛性：样本序列是否收敛到目标分布？需要多少步混合（mixing）？
• 资源开销：经典侧的内存、随机数消耗；量子侧的量子比特数、线路深度、测量次数与纠错开销。

这四个维度不是独立的。例如，提高精度通常需要增大样本数 \(M\)，而 \(M\) 增大会线性增加测量次数与后处理时间；若量子线路深度受限，则单样本制备误差又会反过来限制精度上限。

二、经典蒙特卡洛的度量基线

以 Metropolis-Hastings 为例，其工程参数包括提议分布 \(q(x'|x)\)、接受率 \(\alpha=\min(1,\frac{p(x')q(x|x')}{p(x)q(x'|x)})\)、预热步数 \(B\) 与采样间隔 \(T\)。实际执行时，常用如下伪代码组织：

输入：目标未归一化密度 p_tilde(x)，提议分布 q，总步数 N，预热 B，间隔 T
初始化 x = x0
for t = 1..N:
    x' ~ q(.|x)
    r = p_tilde(x') * q(x|x') / (p_tilde(x) * q(x'|x))
    u ~ Uniform(0,1)
    if u < min(1, r): x = x'
    if t > B and (t-B) % T == 0: 记录 x
输出：样本集合 {x_recorded}

这里的关键工程指标是有效样本数 ESS \(=M/(1+2\sum_{k\ge1}\rho_k)\)，其中 \(\rho_k\) 是自相关函数。若 ESS 远小于 \(M\)，说明样本高度相关，必须增大 \(T\) 或改进提议分布。另一个指标是积分自相关时间 \(\tau_{\text{int}}\)，它直接决定达到给定精度所需的步数：\(\mathrm{Var}(\hat f)\approx \sigma_f^2 \tau_{\text{int}}/M\)。因此，经典采样的精度提升往往以线性增加步数为代价。

三、量子采样的度量变化

量子采样把“随机源”换成量子测量。以量子相位估计（QPE）和量子蒙特卡洛（QMC）为例，目标分布被编码为量子态 \(|\psi\rangle=\sum_x \sqrt{p(x)}|x\rangle\)，测量后以概率 \(p(x)\) 得到 \(x\)。此时：

• 复杂度：单样本制备可能需要 \(O(\text{poly}(n))\) 个量子门；若使用振幅放大，则查询复杂度可降至 \(O(1/\epsilon)\) 量级，但需要额外的辅助比特与受控操作。
• 精度：QMC 的均方误差通常按 \(O(1/M)\) 而非经典 \(O(1/\sqrt M)\) 下降，但前提是量子线路深度足够、噪声可忽略。
• 收敛性：量子采样没有经典的“预热”概念，但存在态制备误差与测量坍缩带来的分布偏差；需要评估总变差距离 \(\|p_{\text{out}}-p\|_1\)。
• 资源开销：量子比特数、T 门数量、测量次数与经典后处理共同构成总成本。当前 NISQ 设备上，线路深度和保真度往往比理论复杂度更早成为瓶颈。

因此，量子采样并非在所有场景都优于经典。工程判断应基于“精度—资源”帕累托前沿：若目标精度 \(\epsilon\) 较小且量子线路深度可控，量子方案可能更优；若噪声大、量子比特少，经典 MCMC 仍是更稳妥的基线。

四、度量体系的可视化

下图把经典与量子两条采样链路放在同一张度量框架中：左侧是经典蒙特卡洛的“提议—接受—统计”链，右侧是量子采样的“态制备—演化—测量”链，中间用四个度量维度对齐。图中同时标出关键参数与典型误差来源，便于对照分析。

五、工程判断与参数选择

在实际项目中，建议先建立一张“度量—资源”对照表，再决定采用经典还是量子采样。以下是一个可填写的示例框架，字段可根据任务替换：

例如，若目标是在 20 维二值空间上估计某个可观测量的期望，经典 MCMC 用 10^5 个样本可达到约 0.01 的标准误；若改用理想量子采样，理论上 10^4 次测量即可达到类似精度，但当前硬件可能需要 10^6 次测量来抵消噪声。此时工程决策应偏向经典方案，或采用量子—经典混合策略：用量子线路生成候选样本，再用经典接受—拒绝步骤校正分布偏差。

总结来看，从经典蒙特卡洛到量子采样，工程视角的核心不是“谁替代谁”，而是把复杂度、精度、收敛性与资源开销放在同一坐标系中度量。只有明确每个环节的输入、参数、误差来源与验收判据，才能让采样从理论算法变成可交付的工程组件。