当前位置: 首页 > news >正文

Bernstein–Vazirani 算法 的原理

1. 原理

1.1. 问题定义

有一个隐藏的二进制字符串,有一个黑盒(Oracle)​ 实现函数:,其中​ 是按位点乘模 2(奇偶性)。

经典上,如果只能通过输入得到,那么需要 n 次查询才能确定(每次查询确定一个比特,例如输入在第 j 位为 1 可以得到​)。

Bernstein–Vazirani 算法用量子计算,只用 1 次查询就得到

1.2. 量子 Oracle 的实现

我们实现一个量子门​ 满足:

其中是 n qubit 寄存器,是 1 qubit 辅助寄存器。

1.3. 算法步骤

步骤 1:初始化

  • 第一寄存器(n 个 qubit):

  • 第二寄存器(1 个 qubit):

系统初态:

步骤 2:在辅助比特和输入寄存器上加 Hadamard 门

对每个 qubit 作用

我们知道:

所以:

步骤 3:调用 Oracle

因为:

这里

验证:

所以:

代入

关键点:辅助比特依然是态,没有被纠缠,所以我们可以只看第一寄存器状态:

这个态称为s 的 Hadamard 基编码态(类似傅里叶对偶)。

步骤 4:对第一寄存器再作用 H^{\otimes n}H⊗n

回忆 Hadamard 门的性质:

逆变换相同(因为是自逆):

交换求和顺序:

步骤 5:利用正交性

对于二进制向量,有恒等式:

其中是 n qubit 向量,当且仅当,否则为 0。

这里,所以:

即只有的那一项系数为 1,其它为 0。

因此:

步骤 6:测量

测量第一寄存器的 n 个 qubit,得到结果即为(确定性的,不是概率性的),因为量子态正好是

1.4. 总结

算法步骤简记:

  1. 初始:

  2. 对所有 qubit 作用 Hadamard:

  3. 调用 Oracle​:

  4. 对前 n 个 qubit 再次作用 Hadamard:

  5. 测量前 n 个 qubit,得到

1.5. 与 Deutsch–Jozsa 的区别

  • Deutsch–Jozsa:区分常数函数与平衡函数,也需要 1 次量子查询(经典最坏次)。

  • Bernstein–Vazirani:找到一个隐藏的二进制字符串,经典需要 n 次查询,量子 1 次。

  • BV 可以视为 DJ 的一个特例(但目标不同)。

最终,BV 算法的量子加速来自于量子并行 + 相位反冲 + 量子傅里叶(Hadamard)变换的配合,让 Oracle 一次调用就在叠加态中标记所有的相位,再通过 Hadamard 变换把相位信息变成基态

2. 深入

我们来具体构造​,让它实现

2.1. 函数定义

给定一个固定的二进制字符串​,其中
定义:

这是线性函数(模 2 加法)。

2.2. 量子 Oracle 形式

我们需要一个幺正算符 U_fUf​ 使得:

对于 BV 算法,辅助比特初始为时会触发相位反冲,使得:

所以对第一寄存器来说,​ 在这种特殊情况下表现为一个相位 Oracle

2.3. 电路构造

情况 1:只有一个 1(比如,第 j 位为 1)

那么​。

实现方式:

  • 如果且其它位,则​ 只需在辅助比特上加一个受控于第 j 个 qubit 的 CNOT

电路:

这就是 CNOT 门,控制位是第 j 个 qubit,目标位是辅助比特。


情况 2:一般有多个 1

例如,则​(假设 n=3)。

实现方法:

  • 对于每个 i,如果,就对辅助比特做一个CNOT,控制位是第 i 个 qubit。

  • 因为这些 CNOT 都目标在同一个辅助比特上,最终效果是:

    这正是


例子
电路(第一寄存器,辅助比特):

  1. CNOT:控制​,目标

  2. CNOT:控制​,目标
    ​ 因为不参与)

检查对的效果

辅助比特初始为​。

CNOT 门作用在目标为时的性质:
控制比特,目标比特

因为是 X 的本征值为的本征态:

所以:

即,控制比特为时,整个态乘上


对于多个 CNOT(都目标在同一辅助比特上),每个 CNOT 的相位因子是​ 当
总的相位因子是:

这正是我们要的相位 Oracle。

4. 完整电路图(BV 算法)

为例:

┌───┐ ┌───┐ q0: |0>┤ H ├──■───────┤ H ├─── M ───> s1 ├───┤ │ ├───┤ q1: |0>┤ H ├──┼───────┤ H ├─── M ───> s2 ├───┤ │ ├───┤ q2: |0>┤ H ├──┼──■────┤ H ├─── M ───> s3 ├───┤┌─┴─┐│ ┌──┴──┐ q3: |1>┤ H ├┤ X ├┤ ├─ X ─┤ └───┘└───┘│ └─────┘ └───────

(注:q3 是辅助比特,初始,经过 H 变成;两个 CNOT 的控制分别是 q0 和 q2,目标都是 q3,对应)

5. 为什么经典查询需要 n 次?

经典只能输入得到
要确定,需选取个线性无关的,例如:

每个查询得到的一个比特,所以需要次。

6. 量子一次查询的原因

量子可以输入叠加态:

Oracle 一次作用在叠加态上,同时对所有计算并编码为相位
然后通过 Hadamard 变换把相位模式​ 变成

Hadamard 变换在这里起到二进制傅里叶变换的作用,把线性相位的叠加变成单个基态


总结

​ 的具体实现是,对每个满足的比特 i,在辅助比特上加一个 CNOT 门(控制位是第 i 个 qubit)。当辅助比特初始化为时,这些 CNOT 共同给态加上相位

http://www.rkmt.cn/news/133437.html

相关文章:

  • Excalidraw A/B测试框架搭建:数据驱动迭代
  • Excalidraw新手引导优化:降低入门门槛
  • Excalidraw Open Collective运营情况透明度报告
  • Excalidraw非营利组织应用:公益项目规划工具
  • Excalidraw表单验证机制设计与用户体验平衡
  • MiniMax-M2:高效开源MoE模型,聚焦智能体任务
  • 快手KwaiCoder:动态推理深度的AutoThink模型
  • 机器人训练,数据模态之热成像,合成数据or真实数据?来自NASA月球车团队的服务方
  • WAN2.2-14B-Rapid-AllInOne:FP8全能视频加速模型
  • HunyuanImage-3.0:800亿MoE多模态图像生成模型开源
  • GraniStudio : TCP/IP(Socket)协议深度剖析
  • Wan2.2:MoE架构赋能高清视频创作
  • Excalidraw产品定位再思考:专注技术人群
  • GraniStudio : MC 协议深度剖析
  • Qwen3-235B双模式推理大模型发布:重新定义智能交互的效率与深度
  • Excalidraw备份恢复机制设计原则与实施步骤
  • 4、Windows 10 使用指南:系统设置、网络连接与账户创建
  • Nitro-E:304M参数极速图文扩散模型
  • Excalidraw能否用于游戏关卡设计原型绘制?
  • Qwen-Image-Edit-MeiTu:DiT赋能图像编辑新高度
  • PCB布线——电源
  • java包头市大学生家教信息中介平台springboot-vue
  • 腾讯开源Hunyuan-0.5B轻量化大模型
  • Whisper-base.en:68万小时训练的英文ASR模型
  • Qwen3-30B-A3B-Thinking-2507推理性能跃升
  • Kimi-Audio-7B:开源全能音频基础模型
  • 使用OpenLLM管理轻量级大模型服务
  • Janus-Pro-7B:自回归多模态理解生成一体化
  • Excalidraw房间(Room)生命周期管理逻辑
  • Lucy-Edit-Dev:文本指令驱动视频精准编辑