量子态制备（Quantum State Preparation, QSP）是量子计算中最基础的原语之一：将经典数据 $\mathbf{p} = (p_0, p_1, \ldots, p_{N-1})$（$N = 2^n$）编码为量子态 $|\psi\rangle = \sum_{j=0}^{N-1} \sqrt{p_j} |j\rangle$。它是 HHL、量子机器学习、量子化学等几乎所有量子算法的”输入端”。本文系统介绍通用态制备、稀疏态制备、特定分布态制备、基于 QRAM 的方案，以及近年来 PRL 上的最优深度方案。

问题定义

量子态制备问题：给定经典描述的向量 $\mathbf{v} = (v_0, v_1, \ldots, v_{N-1}) \in \mathbb{C}^N$（$N = 2^n$），构造量子电路 $U$ 使得：

$$U|0\rangle^{\otimes n} = |\psi\rangle = \frac{1}{\|\mathbf{v}\|} \sum_{j=0}^{N-1} v_j |j\rangle$$

核心挑战：

• 经典数据有 $N$ 个分量，量子电路只有 $O(\text{poly}(n))$ 参数——信息压缩必须在门结构中实现
• 任意态制备需要 $\Omega(N)$ 门（信息论下界）
• 对特定结构的态（稀疏、可分解、低秩），可以显著降低代价

方法一：通用量子态制备（基于门）

1.1 递归方法（Recursive Binary Splitting）

思想：反复将振幅二等分，用受控旋转实现”按比例分配”。

算法：

1. 对量子比特 1，施加 $R_y(\theta_1)$ 使得 $|0\rangle \to \sqrt{p_0 + p_1 + \cdots + p_{N/2-1}} |0\rangle + \sqrt{p_{N/2} + \cdots + p_{N-1}} |1\rangle$
2. 对量子比特 2（受控于量子比特 1 的状态），在”左半”和”右半”子空间中分别施加 $R_y$，进一步二分
3. 递归直到所有 $n$ 个量子比特都被处理

门数：$O(N)$ 个 CNOT + 单比特旋转（$N = 2^n$）。

深度：$O(n \cdot N / 2)$（并行化后）。

优点：构造直观，易于实现。

缺点：$O(N)$ 门数对大 $N$ 不可行。

1.2 基于多控旋转的方案

Shende, Bullock, Markov (2006) 给出了更紧的门数分析：

定理：任意 $n$-量子比特纯态可用 $O(2^n)$ 个 CNOT 门制备，且此界是紧的。

构造：用 Gray 码序遍历基态，每步只改变一个比特，交替施加多控 $R_y$ 和多控相位旋转。

门数：$2^n - 2$ 个 CNOT（下界），加上 $2^{n+1} - 2$ 个单比特旋转。

1.3 基于 QR 分解的方案

Plesch & Brukner (2011)：

将 $|\psi\rangle$ 的系数向量做 QR 分解，将酉变换 $U$ 分解为一系列 Givens 旋转——每个 Givens 旋转对应一个两量子比特门。

门数：$O(2^n)$ 个两量子比特门（理论最优）。

1.4 代码示例（uniqc 实现）

类型：完整算法演示。下面用 uniqc 实现 §1.1 描述的递归二分方案，为 3 量子比特任意概率分布（$N = 8$ 个非零振幅）构造制备电路，并验证 $|\langle\psi_{\text{target}} | \psi_{\text{prepared}}\rangle|^2 = 1$。

import numpy as np
from uniqc import Circuit

def prepare_state_circuit(probs):
    """递归二分：从最高位向最低位逐层施加（多控）RY，让每层概率质量按比例分裂。"""
    n = int(np.log2(len(probs)))
    probs = probs / probs.sum()
    circ = Circuit()
    circ.identity(n - 1)  # 强制 n 个 qubit register

    for layer in range(n):
        target_q = n - 1 - layer
        n_controls = layer
        control_qubits = list(range(n - 1, n - 1 - n_controls, -1))
        for prefix in range(pow(2, n_controls)):
            mass_zero = mass_one = 0.0
            for full_j in range(pow(2, n)):
                if (full_j >> (target_q + 1)) != prefix:
                    continue
                if (full_j >> target_q) & 1:
                    mass_one += probs[full_j]
                else:
                    mass_zero += probs[full_j]
            total = mass_zero + mass_one
            if total < 1e-15:
                continue
            theta = 2 * np.arcsin(np.sqrt(min(mass_one / total, 1.0)))
            # 反向控制：用 X 包夹将"控制=0"翻成"控制=1"
            flip = [control_qubits[i] for i in range(n_controls)
                    if not ((prefix >> (n_controls - 1 - i)) & 1)]
            for q in flip:
                circ.x(q)
            if n_controls == 0:
                circ.ry(target_q, theta)
            elif n_controls == 1:
                circ.cry(control_qubits[0], target_q, theta)
            else:
                circ.set_control(control_qubits)
                circ.ry(target_q, theta)
                circ.unset_control()
            for q in flip:
                circ.x(q)
    return circ, n

# 目标：8 振幅非平凡分布
p = np.array([0.08, 0.12, 0.05, 0.20, 0.15, 0.10, 0.18, 0.12])
p = p / p.sum()
target_amp = np.sqrt(p).astype(complex)

circ, n = prepare_state_circuit(p)
U = circ.get_matrix()
psi0 = np.zeros(pow(2, n), dtype=complex); psi0[0] = 1.0
psi = U @ psi0

fidelity = abs(target_amp.conj() @ psi) ** 2
print(f'|⟨ψ_target | ψ_prepared⟩|² ={fidelity:.10f}')

print('\n|⟨j|ψ_prepared⟩|² vs 目标 p_j:')
for j in range(pow(2, n)):
    print(f'  j={j}:{pow(abs(psi[j]), 2):.6f}vs{p[j]:.6f}')

运行结果：

|⟨ψ_target | ψ_prepared⟩|² = 1.0000000000

|⟨j|ψ_prepared⟩|² vs 目标 p_j:
  j=0: 0.080000 vs 0.080000
  j=1: 0.120000 vs 0.120000
  j=2: 0.050000 vs 0.050000
  j=3: 0.200000 vs 0.200000
  j=4: 0.150000 vs 0.150000
  j=5: 0.100000 vs 0.100000
  j=6: 0.180000 vs 0.180000
  j=7: 0.120000 vs 0.120000

电路总指令数: 18（n=3，N=8）

观察：

1. 验证了递归二分方法可以精确（机器精度内）地制备任意离散概率分布对应的量子态；
2. $n = 3$、$N = 8$ 时电路约 $18$ 条指令——正好处于 $\Theta(N)$ 复杂度区间，与文中”通用态需要 $\Omega(N)$ 门”的下界一致；
3. 若把 $n$ 推到 $20$（$N = 10^6$），通用方法所需的门数将超过百万——这正是 Zhang-Li-Yuan PRL 2022 等”最优深度方案”以及 §2 稀疏态制备所要解决的核心痛点。

复杂度总结

关键结论：通用态制备的门数下界是 $\Omega(N)$——无法避免。以下方法针对特定结构降低代价。

方法二：稀疏量子态制备

2.1 定义

$s$-稀疏量子态 $|\psi\rangle = \sum_{j \in S} \alpha_j |j\rangle$，$|S| = s \ll N$。即只有 $s$ 个非零振幅。

目标：以 $O(s \cdot \text{poly}(n))$ 门制备 $|\psi\rangle$。

2.2 Grover-Rudolph 方法（2002）

Grover 和 Rudolph (2002) 提出了用于概率分布制备的递归方法，是稀疏态制备的经典方案。

思想：利用 $|\psi\rangle$ 的结构，递归地将概率质量分配到各子空间。

算法（对 $s$-稀疏态）：

1. 计算 $S$ 中各元素在二进制表示下的前缀结构
2. 对每个”分支点”（前缀决定进入左/右子空间的位置），计算条件概率
3. 用受控 $R_y$ 旋转实现按比例分配
4. 递归处理各子空间

门数：$O(s \cdot n)$（每个非零项贡献 $O(n)$ 个门）。

辅助比特：0。

优点：不需要辅助比特，构造简单。

缺点：需要经典预处理（计算条件概率），对动态更新不友好。

2.3 基于 Oracle 的稀疏态制备

思想：假设存在量子预言机 $O_S$ 能高效识别稀疏支撑 $S$，用 Grover 搜索找到 $S$ 中的元素。

算法：

1. 用 $O_S$ 在均匀叠加态中搜索 $S$ 中的元素
2. 对每个找到的 $|j\rangle \in S$，用受控旋转设定振幅 $\alpha_j$
3. 组合所有分支

门数：$O(s \cdot \sqrt{N/s} \cdot n)$（Grover 搜索），加上 $O(s \cdot n)$（振幅设定）。

2.4 最新进展：PRL 上的最优稀疏态制备

Zhang, Li, Yuan (PRL 129, 230504, 2022)：

提出了最优电路深度的量子态制备方案，对任意 $n$-量子比特态实现了 $O(n)$ 深度（最优）。

核心思想：将态制备问题转化为”并行多控门”的调度问题，通过 Gray 码遍历和门合并技术，将深度从 $O(N)$ 压缩到 $O(n)$。

门数：$O(N)$（信息论下界），但深度最优 $O(n)$。

对稀疏态：若 $|\psi\rangle$ 有 $s$ 个非零振幅，深度为 $O(\log s \cdot n)$，门数 $O(s \cdot n)$。

应用：

• HHL 算法中 $\vec{b}$ 的制备：$O(n)$ 深度
• 量子化学初态制备：$O(s \cdot n)$ 门

2.5 PRA 2024：简化稀疏态制备

Ramacciotti, Lefterovici & Rotundo (PRA 110, 032609, 2024)：

改进了 Grover-Rudolph 方法，针对稀疏态提出更简单的量子算法：

• 不需要辅助比特
• 门数 $O(s \cdot n)$
• 利用稀疏支撑的树形结构实现高效条件概率计算

方法三：特定分布的量子态制备

3.1 均匀分布态

$|U_N\rangle = \frac{1}{\sqrt{N}} \sum_{j=0}^{N-1} |j\rangle = |+\rangle^{\otimes n}$

门数：$n$ 个 Hadamard 门。

3.2 正态分布态

$|\mathcal{N}\rangle \propto \sum_j e^{-(j - \mu)^2 / 2\sigma^2} |j\rangle$

方法：利用 $e^{-x^2} \approx \cos(x/\sqrt{M})^M$（对大 $M$），可用 $O(M \cdot n)$ 个受控旋转近似。

改进方法（PRL 2022 思路）：对离散化后的高斯函数，用稀疏态制备方法处理，门数 $O(n^2)$（利用高斯函数的指数衰减，有效稀疏度为 $O(n \log n)$）。

3.3 幂律分布态

$|\text{pow}\rangle \propto \sum_j j^{-\alpha} |j\rangle$

方法：用 Grover-Rudolph 递归，每一层计算条件概率 $p_{\text{left}}/p_{\text{right}}$。

门数：$O(n^2)$（每层 $O(n)$ 门，共 $n$ 层）。

3.4 Qiskit/MPS 方法

对低纠缠态（矩阵乘积态，MPS），利用 MPS 分解将 $n$-量子比特态分解为 $O(n \cdot \chi^2)$ 个两比特门（$\chi$ 为键维度）。

门数：$O(n \cdot \chi^2)$，对低纠缠态 $\chi = O(1)$，门数 $O(n)$——指数改进。

方法四：基于 QRAM 的量子态制备

4.1 标准 QRAM 方案

若经典数据 $\mathbf{v}$ 存储在 QRAM 中，查询操作实现：

$$|j\rangle|0\rangle \to |j\rangle|v_j\rangle$$

态制备：

1. 制备均匀叠加 $\frac{1}{\sqrt{N}} \sum_j |j\rangle|0\rangle$
2. 查询 QRAM：$\frac{1}{\sqrt{N}} \sum_j |j\rangle|v_j\rangle$
3. 后选择（辅助量子比特投影到 $|v_j\rangle$ 的某个子空间）

代价：$O(\log N)$ 深度（QRAM 查询），但需要 $O(N)$ 存储量子比特。

4.2 CVO-QRAM（Conditional Value Oracle）

思想：不存储完整数据，只存储”值是否非零”的标志位，结合受控旋转实现振幅设定。

算法：

1. 用 CVO（条件值预言机）标识非零振幅的位置 $j \in S$
2. 对每个 $j \in S$，用受控旋转将振幅设为 $\alpha_j = v_j / \|\mathbf{v}\|$
3. 用幅度放大（Grover-like）放大所有非零分量

门数：$O(s \cdot n)$，$s$ 为非零分量数。

优点：避免了 QRAM 的 $O(N)$ 存储要求，只需 $O(s \cdot n)$ 量子比特和门。

4.3 QRAM 在量子化学中的应用

Sparse Quantum State Preparation for Strongly Correlated Systems (J. Phys. Chem. Lett., 2024)：

将 CVO-QRAM 方法应用于强关联化学体系的基态制备，实验验证到 28 量子比特：

• 使用 Efficient Symmetry-Preserving (ESP) Ansatz
• 通过 CVO-QRAM 加速初态制备
• 在 GPU 上模拟 $O(10^6)$ 参数的量子电路

方法五：PRL 2022 的最优深度方案（Zhang, Li, Yuan）

核心结果

定理（Zhang, Li, Yuan, PRL 129, 230504, 2022）：

任意 $n$-量子比特纯态 $|\psi\rangle = \sum_{j=0}^{2^n-1} \alpha_j |j\rangle$ 可用深度 $O(n)$ 的量子电路制备。

门数：$O(2^n)$（信息论下界）。

深度：$O(n)$（理论最优）。

技术要点

1. Gray 码并行化

传统方法按 Gray 码序逐个处理基态，深度 $O(N)$。Zhang 等人发现：多个”独立的”多控门可以并行执行。

2. 门合并

相邻的两个多控门，若控制条件只差一个比特，可以合并为一个更深的门——但不增加总深度。

3. 分层调度

将所有门按”作用的量子比特层”分组，每组内的门并行执行。总深度等于层数 $= O(n)$。

对稀疏态的改进

对 $s$-稀疏态（$s$ 个非零振幅），Zhang 的方法退化为：

• 深度 $O(s + n)$
• 门数 $O(s \cdot n)$
• 辅助比特 0

这在 $s \ll N$ 时是指数级改进。

方法六：变分量子态制备（VQSP）

思想

将态制备问题转化为变分优化问题：

$$\min_{\vec{\theta}} \left\| |\psi(\vec{\theta})\rangle - |\psi_{\text{target}}\rangle \right\|^2$$

用参数化量子电路 $U(\vec{\theta})$ 近似目标态。

优势

• 门数由参数化电路结构决定，不依赖于 $N$
• 适用于 NISQ 设备

局限

• 优化可能陷入局部最小值
• Barren Plateaus 问题
• 不保证精确制备

方法七：基于 QSVT 的态制备

思想

若 $|\psi\rangle = f(A)|0\rangle$（$A$ 为某矩阵，$f$ 为某函数），用 QSVT 实现 $f(A)$ 的块编码，作用于 $|0\rangle$。

应用

• Gibbs 态制备：$|\psi_\beta\rangle \propto e^{-\beta H/2} |0\rangle$
• 基态制备：$|\psi_0\rangle \propto (I - H/E_0)^{-1} |0\rangle$

门数

$O(\text{deg}(f_{\text{approx}}) \cdot C_{U_A})$，其中 $C_{U_A}$ 为块编码代价。

复杂度总结

实验实现

局限性

1. 通用态制备不可避免 $O(N)$ 门：信息论下界，任何方案都无法突破
2. 稀疏态需要已知支撑：若不知道哪些振幅非零，需要额外的搜索代价
3. QRAM 的物理可行性存疑：参见 QRAM 教程
4. 变分方法无法保证精确：对需要高精度的算法（如 QPE）不适用
5. 噪声累积：$O(N)$ 门的噪声累积可能使结果不可用

总结

量子态制备的代价高度依赖于目标态的结构：通用态需要 $O(N)$ 门（不可避免），稀疏态只需 $O(s \cdot n)$ 门，低纠缠态可用 $O(n)$ 门。Zhang 等人 (PRL 2022) 的最优深度方案将任意态制备的深度压缩到 $O(n)$，是近年来理论上的重要突破。在实际应用中，应根据目标态的结构选择合适的制备方案。

参考文献：

1. Grover, L., & Rudolph, T. (2002). Creating superpositions that correspond to efficiently integrable probability distributions. arXiv:quant-ph/0208112.
2. Sanders, Y. R., et al. (2019). Black-box quantum state preparation without arithmetic. Physical Review Letters, 122(2), 020502.
3. Zhang, X.-M., Li, T., & Yuan, X. (2022). Quantum state preparation with optimal circuit depth: Implementations and applications. Physical Review Letters, 129(23), 230504.
4. Ramacciotti, D., Lefterovici, A.-I., & Rotundo, A. F. (2024). Simple quantum algorithm to efficiently prepare sparse states. Physical Review A, 110, 032609.
5. Shende, V. V., Bullock, S. S., & Markov, I. L. (2006). Synthesis of quantum-logic circuits. IEEE TCAD, 25(6), 1000-1010.

返回目录：量子计算算法教程系列