1. 课程导入与全景认知
当我们试图用经典计算机模拟一个含几十个量子比特的量子电路时，最先撞上的不是编程技巧，而是希尔伯特空间的指数爆炸。一个 n 量子比特的纯态有 2n 个复振幅，n=50 时这个数字已超过 1015，任何直接存储全态向量的做法都会立刻耗尽内存。张量网络之所以成为量子电路模拟的核心工具，正是因为它把"整块巨大的态向量"重新理解为"许多小张量按特定连接方式缩并出来的结果"，从而把指数级的存储与计算，压缩到与电路结构和纠缠程度相匹配的规模。
从量子比特到张量：一次直观的映射
先建立最基本的对应关系。单个量子比特的态写作 |ψ⟩ = α|0⟩ + β|1⟩，系数 (α, β) 可以看成一个一阶张量 ψi，指标 i 取 0 或 1，共 2 个分量。两个量子比特的态 |ψ⟩ = Σij Cij |i⟩|j⟩，系数 Cij 是一个 2×2 的二阶张量，共 4 个分量。推广到 n 个量子比特，态就是一个 n 阶张量，每个指标维度为 2，分量总数 2n——这正是指数爆炸的来源。
关键在于：量子电路中的门操作，本质上都是对张量指标的线性变换。单比特门 U 作用在第 k 个量子比特上，就是把该比特对应的指标 ik 与矩阵 U 缩并：ψ'...ik... = Σj Uikj ψ...j...。双比特门（如 CNOT、CZ）则同时作用于两个指标，把两个指标一起与一个四阶张量缩并。整条量子电路，就是一系列这样的张量缩并按时间顺序串联起来。
如果只是把全态张量一直保留，缩并并不会带来任何节省。张量网络的真正威力来自分解：把大张量拆成若干小张量，用小张量之间的"腿"（bond）表示它们之间的关联。最典型的例子是矩阵乘积态（MPS）：把 n 阶系数张量写成 n 个小张量的乘积链，每个小张量只带一个物理指标（维度 2）和至多两个辅助指标（维度 χ，称为键维数）。存储量从 2n 降到 n·2·χ2，当 χ 被截断在合理范围（如 χ=64、128）时，几十甚至上百量子比特的态都能被高效表示。
为什么量子电路天然适合张量网络
量子电路有两个结构特征，与张量网络高度契合。第一，局域性：门只作用于少数相邻量子比特，缩并是局部的，不会瞬间把整个网络连成稠密图。第二，浅层电路的纠缠增长受控：在低深度电路中，纠缠熵沿电路层数近似线性增长，MPS 的键维数只需随深度线性增加即可保持较高精度。这两点使得张量网络模拟在"中等规模、有限深度"的量子电路上，往往比全态向量模拟走得更远。
当然，张量网络并非万能。当电路深度很大、纠缠接近体积律时，键维数会指数增长，模拟成本随之上升。因此实际工作中需要根据电路类型选择网络结构：一维近邻电路用 MPS，二维网格电路用 PEPS 或投影纠缠对态，含长程门的电路可能需要引入 SWAP 或采用更一般的图结构。理解"电路结构 → 网络拓扑 → 键维数 → 计算成本"这条链条，是本课程贯穿始终的主线。
课程目标与学习路径
本课程的目标不是让你记住若干公式，而是建立一套可操作的张量网络模拟工作流：给定一个量子电路，能够判断它适合哪种网络结构，估算键维数与计算成本，选择合适的缩并顺序，并最终得到可验证的模拟结果。围绕这条主线，课程分为四个阶段。
第一阶段（第1–6章）建立表示基础。从张量、指标、缩并、SVD 分解讲起，重点掌握 MPS 的规范形式、键维数与截断误差的关系。你会亲手完成一个 4 量子比特 GHZ 电路的 MPS 表示，观察 χ=1 与 χ=2 时的精度差异。
第二阶段（第7–14章）掌握电路到网络的转换。学习单比特门、CNOT、CZ、SWAP 等门如何映射为张量操作，理解门融合与门分解对网络结构的影响。这一阶段会给出一个 8 量子比特随机浅层电路的完整转换示例，并对比不同缩并顺序的耗时。
第三阶段（第15–24章）进入二维与高级结构。覆盖 PEPS、MERA、树张量网络，讨论二维网格电路、长程门、测量采样等场景。你会看到同一电路在 MPS 与 PEPS 下的成本差异，以及如何用边界 MPS 方法处理二维缩并。
第四阶段（第25–30章）面向工程与验证。涉及近似截断策略、误差估计、与全态模拟的交叉验证、性能剖析与常见故障排查。最终你会完成一个端到端项目：给定电路描述文件，输出模拟振幅、采样结果与误差报告。
需要强调的是，张量网络模拟的精度与效率之间存在明确的权衡。截断键维数 χ 越小，计算越快，但丢弃的纠缠信息越多，结果偏差越大。课程中会反复使用"给定 χ，观察保真度或采样分布偏差"的方式，帮助你建立对误差的直觉。例如在 GHZ 态中，χ=2 即可精确表示；而在随机深电路中，χ 需要随深度增长才能维持保真度高于 0.99。这种"结构决定成本、成本决定精度"的判断能力，正是本课程希望交付的核心能力。