2. 量子电路模拟的数学基础

要理解张量网络为什么能加速量子电路模拟，必须先回到最底层的数学描述：一个量子电路在计算机里究竟被表示成什么。量子电路模拟的核心对象只有三个——状态向量、量子门矩阵和电路酉变换。三者之间的关系决定了模拟的可行边界，也决定了张量网络方法在何处介入。

希尔伯特空间与状态向量

一个量子比特（qubit）的纯态是二维复希尔伯特空间 ℂ² 中的单位向量，写成狄拉克符号为 |ψ⟩ = α|0⟩ + β|1⟩，其中 α, β ∈ ℂ 且满足归一化条件 |α|² + |β|² = 1。基 {|0⟩, |1⟩} 对应经典比特的 0 和 1，但量子态允许两者的复振幅叠加。

当系统扩展到 n 个量子比特时，整体状态空间是各单比特空间的张量积：

H = ℂ² ⊗ ℂ² ⊗ ... ⊗ ℂ²  (共 n 个因子)
dim(H) = 2^n

因此 n 个量子比特的联合态可写为 |ψ⟩ = Σ c_i |i⟩，其中 i 遍历 0 到 2^n − 1 的二进制串，c_i 是第 i 个基态的复振幅。这个 2^n 维复向量就是状态向量，它是全振幅模拟（state-vector simulation）唯一需要维护的数据结构。

举一个具体例子：n = 3 时状态向量有 2³ = 8 个复振幅；n = 30 时是 2³⁰ ≈ 1.07×10⁹ 个复振幅，若每个复振幅用双精度（16 字节）存储，仅状态向量就需约 17 GB 内存。这就是指数增长的直接体现。

量子门与酉变换

量子门是对状态向量的线性、保范数操作，数学上必须是酉矩阵 U，满足 U†U = I。常见单比特门包括：

• Pauli-X：[[0,1],[1,0]]，实现比特翻转，类似经典 NOT。
• Hadamard (H)：1/√2·[[1,1],[1,−1]]，把 |0⟩ 变成 (|0⟩+|1⟩)/√2，是产生叠加的关键。
• 相位门 S、T：对角矩阵，只改变 |1⟩ 分量的相位。
• 旋转门 Rx、Ry、Rz：参数化旋转，常用于变分量子算法。

两比特门以 CNOT 为代表，其矩阵为 4×4：

CNOT = [[1,0,0,0],
        [0,1,0,0],
        [0,0,0,1],
        [0,0,1,0]]

控制位为 1 时翻转目标位。CNOT 与单比特门组合可构成通用门集，理论上能逼近任意酉变换。

在模拟中，作用一个门到状态向量上，本质是矩阵—向量乘法 |ψ'⟩ = U|ψ⟩。但直接构造 2^n × 2^n 的完整矩阵是不可行的，实际实现利用张量积结构：单比特门只作用于某个比特，可分解为对状态向量下标的局部操作；CNOT 则按控制位分块处理。这样一次门操作的时间复杂度约为 O(2^n)，而非 O(4^n)。

电路酉变换与整体演化

一个由 m 个门组成的量子电路，其整体效果是各门矩阵按时间顺序的乘积：

U_circuit = U_m · U_{m-1} · ... · U_2 · U_1

由于酉矩阵乘积仍为酉矩阵，整个电路对应一个 2^n × 2^n 的酉变换。模拟的最终输出是 |ψ_final⟩ = U_circuit |0...0⟩，随后通过测量得到概率分布 P(i) = |c_i|²。

这里有一个关键认识：电路酉变换本身也是指数大的对象。即使不显式构造它，模拟过程仍需在 2^n 维空间中反复做矩阵—向量乘法。门数 m 越多，累积的数值误差和计算量也越大。

指数增长带来的模拟瓶颈

把上述关系汇总，可以清楚看到瓶颈来源：状态向量维度 2^n、酉矩阵规模 2^n × 2^n、单次门操作代价 O(2^n)、整电路代价 O(m·2^n)。当 n 超过约 50 时，即使只存状态向量也超出当前超级计算机内存；n 到 100 时，2^100 已远超可观测宇宙原子数。

下表给出不同比特数下状态向量的规模，帮助建立量级直觉（按双精度 16 字节/复振幅估算）：

量子比特数 n	振幅个数 2^n	状态向量内存	可行性
10	1,024	16 KB	轻松
20	1,048,576	16 MB	轻松
30	≈1.07×10⁹	≈17 GB	单机勉强
40	≈1.10×10¹²	≈17.6 TB	需分布式
50	≈1.13×10¹⁵	≈18 PB	接近极限

需要强调，这里的“瓶颈”不是算法写得不好，而是数学结构本身决定的：希尔伯特空间维度随比特数指数增长，任何忠实表示全振幅的模拟都逃不开这个下界。张量网络方法的价值，正是在于它不总是维护完整状态向量，而是利用量子态和电路中的低纠缠结构，把 2^n 维对象压缩为若干小张量的缩并网络，从而在特定电路上突破全振幅模拟的内存与时间限制。