2. 量子相位估计的数学基础

量子相位估计（Quantum Phase Estimation, QPE）之所以能成为Shor算法、量子化学模拟与量子线性代数的核心子程序，根源在于它把“求一个酉算子的本征相位”这一代数问题，转化为“在特定基下测量得到离散比特串”的统计问题。理解这条转化链上的四个数学环节——谱分解、相位参数化、内积与测量概率、统计推断——是后续设计精度与资源方案的前提。

一、酉算子的谱分解：相位从何而来

设 \(U\) 是作用在 \(n\) 维希尔伯特空间上的酉算子，满足 \(U^\dagger U = I\)。酉算子的谱定理给出：存在一组正交归一基 \(\{|u_k\rangle\}\) 和一组模长为 1 的本征值 \(\lambda_k\)，使得

U = Σ_k λ_k |u_k⟩⟨u_k|,   λ_k = e^{2πi φ_k},   φ_k ∈ [0, 1)

这里 \(\varphi_k\) 就是本征相位。约定相位取值在 \([0,1)\) 区间，与二进制小数 \(0.\varphi_1\varphi_2\cdots\) 的表示一致，全文与图示均采用这一约定。QPE 的目标不是求 \(\lambda_k\) 的复数值，而是求它的辐角 \(\varphi_k\)。若输入态恰好是某个本征态 \(|u_k\rangle\)，问题退化为单相位估计；若输入是叠加态 \(\sum_k c_k|u_k\rangle\)，则输出是各相位按 \(|c_k|^2\) 加权的概率分布，这一点在统计推断环节会再次出现。

二、相位参数化：把实数相位编码进量子寄存器

QPE 使用 \(t\) 个辅助量子比特（计数寄存器）来承载相位的二进制近似。核心操作是受控酉变换：以计数寄存器的第 \(j\) 位（从 0 计）为控制位，作用 \(U^{2^j}\)。由于 \(U^{2^j}|u_k\rangle = e^{2\pi i \cdot 2^j \varphi_k}|u_k\rangle\)，控制位为 \(|1\rangle\) 时本征态会累积相位 \(e^{2\pi i\, 2^j \varphi_k}\)，这正是相位反冲（phase kickback）机制。

把 \(\varphi\) 写成二进制 \(\varphi = 0.\varphi_1\varphi_2\cdots\varphi_t + \delta\)，其中 \(\delta\) 为截断误差，\(|\delta| \le 2^{-t}\)。经过逆量子傅里叶变换后，计数寄存器的测量结果 \(m\)（\(0 \le m < 2^t\)）对应估计值 \(\tilde{\varphi} = m/2^t\)。因此相位分辨率由 \(t\) 决定：每增加 1 个计数比特，分辨率提高一倍。这是精度优化的第一层杠杆，但并非唯一杠杆——后续章节会看到，采样次数与后处理同样影响最终误差。

三、量子态内积与测量概率：为什么峰值会“对准”相位

逆 QFT 之后，计数寄存器的态可写为

|ψ⟩ = (1/2^t) Σ_{m=0}^{2^t−1} Σ_{k=0}^{2^t−1} e^{2πi k(φ − m/2^t)} |m⟩

测量得到 \(m\) 的概率是内积模平方 \(P(m) = |\langle m|\psi\rangle|^2\)，计算后得到闭式表达：

P(m) = (1/2^{2t}) · |sin(π(2^t φ − m)) / sin(π(φ − m/2^t))|²

这个函数在 \(2^t\varphi\) 为整数时取最大值 1，此时测量结果精确等于 \(m = 2^t\varphi\)；当 \(\varphi\) 不能被 \(2^{-t}\) 整除时，概率在最近的两个整数之间分配，峰值高度约为 \(4/\pi^2 \approx 0.405\)。上图中取 \(t=4\)、\(\varphi = 0.3125 = 5/16\)，恰好可精确表示，因此峰值 \(m=5\) 处概率为 1，其余为 0——这是一个便于验证公式的理想示例。实际算法中 \(\varphi\) 一般是无理数或长二进制小数，峰值会“摊开”到相邻格点，这正是需要统计推断的原因。

四、统计推断框架：从单次测量到误差可控的估计

单次测量只给出一个 \(m\)，它本身是随机变量。QPE 的统计推断框架包含三个要素：估计量、误差界、置信度。

最直接的估计量是 \(\hat{\varphi} = m/2^t\)。可以证明，当 \(t = n + \lceil \log_2(2 + 1/(2\varepsilon)) \rceil\) 时，以至少 \(1-\varepsilon\) 的概率有 \(|\hat{\varphi} - \varphi| \le 2^{-n}\)。这条界说明：要获得 \(n\) 位精度、失败概率不超过 \(\varepsilon\)，计数比特数只需比 \(n\) 多一个对数级修正项，而不是线性增加。这是 QPE 精度分析中最常用的结论，也是资源估算的起点。

工程上更常用“多次采样 + 取众数”的策略：重复制备并测量 \(N_{\text{shot}}\) 次，得到样本 \(\{m_1,\dots,m_{N_{\text{shot}}}\}\)，取出现频率最高的值作为 \(\hat{m}\)，再令 \(\hat{\varphi} = \hat{m}/2^t\)。由于单次分布的主峰宽度约为 1 个格点，当 \(N_{\text{shot}}\) 达到数十次时，众数落入主峰的概率已相当高。若需要更稳健的估计，可对样本做中位数或加权平均，但要注意相位在 0 与 1 边界处的环绕问题——直接对 \(m\) 取平均会在边界附近产生偏差，此时应先做相位解缠或改用圆统计量。

把四个环节串起来看：谱分解给出“相位是什么”，相位参数化给出“相位如何被编码成比特”，内积与测量概率给出“比特串如何随机出现”，统计推断给出“如何从随机样本反推相位并量化误差”。后续关于精度优化的讨论，本质上是在这四个环节上分别寻找可压缩的资源与可改进的估计量，而不是单纯堆叠量子比特。