这项由葡萄牙里斯本高等理工学院Instituto Superior Técnico, Universidade de Lisboa完成的研究以预印本形式发表于2026年7月论文编号为arXiv:2607.07816有兴趣深入了解的读者可以通过该编号在arXiv平台查询完整论文。**研究背景一道看似无解的难题**量子计算机的核心魅力在于它能够同时处理天文数字般的可能性。但这也带来了一个令人头疼的问题我们怎么在普通电脑上验证量子计算机算出来的结果是否正确毕竟一台拥有50个量子比特的量子计算机其内部状态的完整描述需要超过一千万亿个数字来表达这远远超出了任何普通服务器的内存极限。不过研究者发现有一类特殊的量子电路或许存在捷径。这类电路被称为峰值电路peaked circuits——它们的输出结果就像射箭时瞄准靶心绝大多数概率都集中在某一个特定的答案上其余的可能性要么微乎其微要么几乎可以忽略不计。研究者的核心思路是既然答案几乎是确定的那我们何必追踪所有可能性只跟踪那些最重要的几个不就够了吗这正是这项研究的起点。研究者构建了一个稀疏截断状态向量模拟器——一种专门针对峰值电路、运行在普通电脑上的量子模拟工具。它不追求对量子系统的完美复刻而是聪明地抓住最关键的那部分信息以有限的资源实现尽可能准确的预测。---一、量子计算的账本状态向量是什么要理解这项研究首先需要了解量子计算机内部是如何记录信息的。普通电脑的每个比特只有0或1两种状态就像电灯开关要么开要么关。量子比特却可以同时处于0和1的叠加状态就像一枚旋转中的硬币在落地之前既不是正面也不是反面。这种特性用数学描述时需要给每种可能的状态分配一个权重也就是所谓的复数振幅complex amplitude——你可以把它理解成每种结果被选中的可能性大小而所有可能性的平方加在一起恰好等于100%。对于一个拥有n个量子比特的系统可能的状态总数是2的n次方。以单个量子比特为例状态向量只有两个数字代表0的权重和代表1的权重。但如果有44个量子比特正如本研究中处理的真实电路状态向量就需要近18万亿个数字来完整描述这在任何普通电脑上都是不可能存储的。每当对量子比特施加一个操作例如旋转门、纠缠门就需要更新这个账本中的数字。对单个量子比特的操作会涉及到所有状态对应的一对一对的权重更新对两个量子比特的操作则涉及四个一组的权重更新以此类推。每次操作都可能让原本为零的权重变成非零使得非零项的数量急剧增加。---二、从完整账本到重点摘要稀疏与截断的思路既然完整的账本太庞大那能不能只记录重要的部分在很多量子电路中尤其是刚开始运行时大多数状态的权重是零——量子比特全部从0出发整个系统最初只有一个非零项。随着电路一步步运行非零项的数量会逐渐增多一个创造叠加态的哈达玛门Hadamard gate可能让非零项翻倍一些纠缠操作可能让非零项增加四倍甚至更多。但在某些阶段非零项的增长是可控的甚至有些操作只是重排已有的权重并不新增项目。正因为非零项的数量远少于2的n次方研究者采用了稀疏表示不再存储全部权重而是像一本只记录有货商品的仓库清单只保存那些非零的权重及其对应的状态编号。这样只要非零项的数量有限内存占用就是可控的。然而随着电路越来越深、纠缠越来越强非零项终究会爆炸性增长超过普通电脑能够承受的极限。此时研究者引入了截断机制主动丢弃那些权重很小、概率贡献微乎其微的项只保留最重要的那些然后对剩余项进行归一化即重新调整权重使所有保留项的概率之和重新等于100%。这就像一位精明的编辑将一本厚厚的百科全书精简成一册关键词手册——内容有所取舍但核心信息仍然完整。这种做法之所以合理是因为研究者发现截断后模拟结果的准确程度保真度与截断后保留的概率质量之和高度相关。换句话说只要保留了足够多的概率模拟结果就足够可靠。---三、两种精简账本的策略如何决定保留哪些项研究者设计了两种互补的截断方式可以单独使用也可以配合使用。第一种叫做top-k截断即设定一个硬性上限k无论什么情况账本里最多只保留k个非零项。每次执行完一批操作后就按照权重的绝对值从大到小排序取前k个保留其余全部丢弃最后重新归一化。这种方式直接控制了内存和计算量的上限就像行李箱只有20公斤额度无论如何都要把最重要的东西先装进去。第二种叫做p-mass截断即设定一个概率质量的最低保留比例p。从权重最大的项开始累加概率直到累加值达到p例如99%为止超出这个阈值的小概率项全部丢弃。这种方式更直接地控制了模拟的精度但代价是账本的大小不可预测——如果概率分散在很多项上即便保留99%的概率也可能需要大量的项。当两种方式同时启用时研究者的处理顺序是先按概率质量截断再按数量上限截断。这样既保证了精度目标又不至于超出资源限制。---四、让运算跑得更快向量化与GPU加速仅有好的策略还不够实现的效率同样关键。研究者将所有对账本的操作都转化为批量的数组运算即向量化运算。以对单个量子比特施加操作为例传统做法是逐对找出账本中状态相差只在该比特位的两个项然后更新它们的权重。研究者的做法则是一次性识别出所有需要乘以矩阵第一列的项和需要乘以第二列的项然后整批相乘最后再整批汇总。这就好比一家工厂不是让每个工人手动处理一件产品而是一条流水线同时处理所有产品效率天差地别。这种方式中最有挑战性的一步是分组求和segmented sum多个旧项可能都对同一个新状态有贡献需要把它们的权重加在一起。这类似于统计选票时不同投票站的结果需要按候选人汇总。虽然这一步在并行计算中颇为棘手但现代CPU和GPU的数值计算库已经能够很好地支持这类操作。在截断环节最耗时的步骤是排序——需要把账本中所有项按概率大小从高到低排好序再决定保留哪些。好在排序算法在现代计算库中有高度优化的实现加上后续的截断和归一化都是直接对数组操作效率相当可观。研究者还开发了GPU图形处理器后端将上述所有操作搬到GPU上执行。由于整体计算逻辑已经是向量化的CPU版和GPU版的代码几乎一模一样只是底层调用的数值库不同维护起来非常方便。测试结果显示GPU版本比CPU版本快了约一个数量级即快了大约10倍代价是GPU的内存比较有限能容纳的账本规模受到约束。在数据精度方面两个版本都使用128位复数实部和虚部各64位浮点数存储权重用64位整数存储状态编号理论上支持多达64个量子比特的系统虽然在实践中内存会更早耗尽。---五、实战模拟一个真实的44量子比特峰值电路研究者将这套工具应用于由BlueQubit公司组织的峰值电路黑客马拉松中的一个实际案例名为sharp peak锐峰电路。这个电路包含44个量子比特和580条指令结构是这样的每两个相邻量子比特之间都有一个纠缠门受控Z门CZ门加上首尾相连形成环形结构每对相邻量子比特之间还夹着两个随机参数的单量子比特旋转门u3门。这种环形全连接结构使得整个电路深度很高、纠缠极强对于传统的密集型模拟器和基于张量网络如矩阵乘积态MPS的方法都非常棘手——因为要精确表示这种状态需要极大的键维度。面对这个挑战研究者采用了两项预处理策略。一是门重排在不违背电路逻辑依赖关系即不改变可交换门的相对顺序的前提下重新安排门的执行顺序让每个时刻涉及的量子比特数量尽可能少从而推迟状态向量中非零项爆炸增长的时间。这类似于在整理一间乱房间时先把桌面的东西归位再处理地板上的尽量让工作区域保持整洁。二是门融合将每块相邻的单量子比特门和双量子比特门合并成一个多量子比特的统一操作。这样原本需要对每个门分别更新账本现在变成了对每个融合块只更新一次大幅减少了更新次数也让截断操作变得不那么激进——因为截断只在每个融合块结束后执行一次而不是每个门之后都执行。最终的模拟流程是先重排并划分融合块然后逐块更新状态向量并截断直至电路执行完毕最后读取概率最高的状态编号作为输出。对于这个锐峰电路研究者发现只需保留不到2的5次方即32个非零项就能找到正确的输出比特串——这充分说明了峰值电路的可压缩性。---六、模拟性能如何随规模变化研究者系统测试了模拟时间和状态向量规模随k值变化的规律得出了几个值得关注的结论。关于模拟时间当使用top-k截断时模拟所需时间与k呈线性关系跨越了多个数量级都保持这一规律。换句话说k每增加一倍模拟时间大约也增加一倍。CPU版本的线性关系非常清晰GPU版本在k较小时有一个固定的启动开销大约相当于在小数量级时的额外延迟但在k较大时比CPU快大约10倍直到GPU内存耗尽为止。关于状态向量的增长过程在电路运行初期状态向量中非零项的增长呈现出阶梯式的指数增长——某些门操作不改变项数另一些则使项数翻倍。当项数触及k的上限时top-k截断将其强制压回k从而保持稳定。k越大能容纳的非零项越多但每个融合块的处理时间也越长。关于p-mass截断的行为与top-k不同p-mass截断不直接限制项数而是根据概率质量动态调整。当p设为99.9%时状态向量的非零项数量可以增长到超过2的28次方约2.7亿远超预期而当p设为90%时项数则被控制在一个相对较低的水平。这说明即便是轻微的p值提升也可能导致所需项数急剧增加。更有意思的是当p从90%逐步趋近于100%时所需的非零项数量呈现出近乎垂直的急剧攀升几乎直逼2的n次方44个量子比特对应约17.6万亿。然而这条曲线的陡峭程度本身也是一个积极信号它意味着在实践中用远少于2的n次方的项数就能保留相当高比例的概率质量从而成功找到峰值电路的最可能输出。---七、方法的边界哪些情况下会失效研究者对这套方法的适用范围保持了清醒的认识并在论文中坦诚地指出了其局限性。从理论上看对于浅层峰值电路每个输出量子比特只依赖有限数量的输入量子比特已经有数学证明表明其输出分布可以用准多项式数量而非指数级数量的项来近似描述这与稀疏截断方法的有效性完全吻合。然而当电路变得非常深、纠缠非常强时即便输出分布仍然有一个明显的峰值大量的概率质量也可能分散在数量庞大的状态上。在这种情况下要保持足够的模拟精度就必须保留越来越多的项直到接近暴力枚举全部2的n次方种状态的程度。此时截断方法的优势便荡然无存甚至可能产生误导性的结果——模拟器以为找到了峰值但实际上丢弃了太多重要信息。换句话说这套方法在概率高度集中的电路上表现优异而在概率虽有峰值、但同时大量分散的电路上可能彻底失效。研究者坦承这种方法的表现会因电路的不同而有极大差异使用前需要谨慎评估具体电路的结构特性。为了应对更困难的峰值电路研究者在展望中提到可以在模拟前引入ZX演算ZX-calculus优化等图论方法对电路进行预处理从电路结构层面降低模拟难度。这些技术在正式模拟之前发挥作用有望进一步提升稀疏截断模拟器的适用范围。---说到底这项研究做的事情本质上是在一场信息量爆炸的游戏中找到聪明的剪枝策略。量子计算机的状态空间是指数级庞大的但对于那些心有定数的峰值电路来说真正重要的信息其实只占其中很小的一部分。研究者证明只要抓住这部分关键信息加上合理的排序策略和硬件加速普通的经典计算机也能在许多场景下预测量子电路的输出结果。这对于量子计算生态的发展有着实际意义——它为量子算法的验证、量子优势的评估提供了一个低成本的对照工具。当然这把削铁如泥的剑也有其用不上的场合面对那些刻意将概率质量打散到大量状态上的电路任何截断方法都难逃失效的命运。研究者的开源实现已发布在GitHub上感兴趣的读者可以通过论文编号arXiv:2607.07816找到原文进一步了解技术细节或自行复现实验。---QAQ1峰值电路与普通量子电路有什么本质区别A峰值电路的设计目标是让输出结果的概率高度集中在某一个特定的比特串上就像射箭比赛中几乎所有箭都落在靶心附近而普通量子电路的输出概率可能均匀分布在大量状态上。正是这种集中性让峰值电路可以用少量项来近似描述其输出从而大幅降低经典模拟的难度。Q2top-k截断和p-mass截断哪种方式更好用A两种方式各有侧重。top-k截断直接限制内存和运算量的上限适合资源受限的场景但无法直接控制模拟精度。p-mass截断则直接控制保留的概率比例更直观地衡量模拟准确度但可能导致状态向量规模失控。研究者建议根据需求选择主方式同时用另一种作为辅助约束两者配合使用效果最佳。Q3稀疏截断状态向量模拟器能模拟多少量子比特的电路A理论上由于使用64位整数存储状态编号上限是64个量子比特。但实际瓶颈是内存随着电路深度增加和纠缠增强非零项数量会指数级增长普通电脑的内存会远早于64比特上限就被耗尽。在研究者测试的44量子比特锐峰电路中少于32个非零项就能找到正确答案但更复杂的电路可能需要远多于此的项数。
这项由葡萄牙里斯本高等理工学院Instituto Superior Técnico, Universidade de Lisboa完成的研究以预印本形式发表于2026年7月论文编号为arXiv:2607.07816有兴趣深入了解的读者可以通过该编号在arXiv平台查询完整论文。**研究背景一道看似无解的难题**量子计算机的核心魅力在于它能够同时处理天文数字般的可能性。但这也带来了一个令人头疼的问题我们怎么在普通电脑上验证量子计算机算出来的结果是否正确毕竟一台拥有50个量子比特的量子计算机其内部状态的完整描述需要超过一千万亿个数字来表达这远远超出了任何普通服务器的内存极限。不过研究者发现有一类特殊的量子电路或许存在捷径。这类电路被称为峰值电路peaked circuits——它们的输出结果就像射箭时瞄准靶心绝大多数概率都集中在某一个特定的答案上其余的可能性要么微乎其微要么几乎可以忽略不计。研究者的核心思路是既然答案几乎是确定的那我们何必追踪所有可能性只跟踪那些最重要的几个不就够了吗这正是这项研究的起点。研究者构建了一个稀疏截断状态向量模拟器——一种专门针对峰值电路、运行在普通电脑上的量子模拟工具。它不追求对量子系统的完美复刻而是聪明地抓住最关键的那部分信息以有限的资源实现尽可能准确的预测。---一、量子计算的账本状态向量是什么要理解这项研究首先需要了解量子计算机内部是如何记录信息的。普通电脑的每个比特只有0或1两种状态就像电灯开关要么开要么关。量子比特却可以同时处于0和1的叠加状态就像一枚旋转中的硬币在落地之前既不是正面也不是反面。这种特性用数学描述时需要给每种可能的状态分配一个权重也就是所谓的复数振幅complex amplitude——你可以把它理解成每种结果被选中的可能性大小而所有可能性的平方加在一起恰好等于100%。对于一个拥有n个量子比特的系统可能的状态总数是2的n次方。以单个量子比特为例状态向量只有两个数字代表0的权重和代表1的权重。但如果有44个量子比特正如本研究中处理的真实电路状态向量就需要近18万亿个数字来完整描述这在任何普通电脑上都是不可能存储的。每当对量子比特施加一个操作例如旋转门、纠缠门就需要更新这个账本中的数字。对单个量子比特的操作会涉及到所有状态对应的一对一对的权重更新对两个量子比特的操作则涉及四个一组的权重更新以此类推。每次操作都可能让原本为零的权重变成非零使得非零项的数量急剧增加。---二、从完整账本到重点摘要稀疏与截断的思路既然完整的账本太庞大那能不能只记录重要的部分在很多量子电路中尤其是刚开始运行时大多数状态的权重是零——量子比特全部从0出发整个系统最初只有一个非零项。随着电路一步步运行非零项的数量会逐渐增多一个创造叠加态的哈达玛门Hadamard gate可能让非零项翻倍一些纠缠操作可能让非零项增加四倍甚至更多。但在某些阶段非零项的增长是可控的甚至有些操作只是重排已有的权重并不新增项目。正因为非零项的数量远少于2的n次方研究者采用了稀疏表示不再存储全部权重而是像一本只记录有货商品的仓库清单只保存那些非零的权重及其对应的状态编号。这样只要非零项的数量有限内存占用就是可控的。然而随着电路越来越深、纠缠越来越强非零项终究会爆炸性增长超过普通电脑能够承受的极限。此时研究者引入了截断机制主动丢弃那些权重很小、概率贡献微乎其微的项只保留最重要的那些然后对剩余项进行归一化即重新调整权重使所有保留项的概率之和重新等于100%。这就像一位精明的编辑将一本厚厚的百科全书精简成一册关键词手册——内容有所取舍但核心信息仍然完整。这种做法之所以合理是因为研究者发现截断后模拟结果的准确程度保真度与截断后保留的概率质量之和高度相关。换句话说只要保留了足够多的概率模拟结果就足够可靠。---三、两种精简账本的策略如何决定保留哪些项研究者设计了两种互补的截断方式可以单独使用也可以配合使用。第一种叫做top-k截断即设定一个硬性上限k无论什么情况账本里最多只保留k个非零项。每次执行完一批操作后就按照权重的绝对值从大到小排序取前k个保留其余全部丢弃最后重新归一化。这种方式直接控制了内存和计算量的上限就像行李箱只有20公斤额度无论如何都要把最重要的东西先装进去。第二种叫做p-mass截断即设定一个概率质量的最低保留比例p。从权重最大的项开始累加概率直到累加值达到p例如99%为止超出这个阈值的小概率项全部丢弃。这种方式更直接地控制了模拟的精度但代价是账本的大小不可预测——如果概率分散在很多项上即便保留99%的概率也可能需要大量的项。当两种方式同时启用时研究者的处理顺序是先按概率质量截断再按数量上限截断。这样既保证了精度目标又不至于超出资源限制。---四、让运算跑得更快向量化与GPU加速仅有好的策略还不够实现的效率同样关键。研究者将所有对账本的操作都转化为批量的数组运算即向量化运算。以对单个量子比特施加操作为例传统做法是逐对找出账本中状态相差只在该比特位的两个项然后更新它们的权重。研究者的做法则是一次性识别出所有需要乘以矩阵第一列的项和需要乘以第二列的项然后整批相乘最后再整批汇总。这就好比一家工厂不是让每个工人手动处理一件产品而是一条流水线同时处理所有产品效率天差地别。这种方式中最有挑战性的一步是分组求和segmented sum多个旧项可能都对同一个新状态有贡献需要把它们的权重加在一起。这类似于统计选票时不同投票站的结果需要按候选人汇总。虽然这一步在并行计算中颇为棘手但现代CPU和GPU的数值计算库已经能够很好地支持这类操作。在截断环节最耗时的步骤是排序——需要把账本中所有项按概率大小从高到低排好序再决定保留哪些。好在排序算法在现代计算库中有高度优化的实现加上后续的截断和归一化都是直接对数组操作效率相当可观。研究者还开发了GPU图形处理器后端将上述所有操作搬到GPU上执行。由于整体计算逻辑已经是向量化的CPU版和GPU版的代码几乎一模一样只是底层调用的数值库不同维护起来非常方便。测试结果显示GPU版本比CPU版本快了约一个数量级即快了大约10倍代价是GPU的内存比较有限能容纳的账本规模受到约束。在数据精度方面两个版本都使用128位复数实部和虚部各64位浮点数存储权重用64位整数存储状态编号理论上支持多达64个量子比特的系统虽然在实践中内存会更早耗尽。---五、实战模拟一个真实的44量子比特峰值电路研究者将这套工具应用于由BlueQubit公司组织的峰值电路黑客马拉松中的一个实际案例名为sharp peak锐峰电路。这个电路包含44个量子比特和580条指令结构是这样的每两个相邻量子比特之间都有一个纠缠门受控Z门CZ门加上首尾相连形成环形结构每对相邻量子比特之间还夹着两个随机参数的单量子比特旋转门u3门。这种环形全连接结构使得整个电路深度很高、纠缠极强对于传统的密集型模拟器和基于张量网络如矩阵乘积态MPS的方法都非常棘手——因为要精确表示这种状态需要极大的键维度。面对这个挑战研究者采用了两项预处理策略。一是门重排在不违背电路逻辑依赖关系即不改变可交换门的相对顺序的前提下重新安排门的执行顺序让每个时刻涉及的量子比特数量尽可能少从而推迟状态向量中非零项爆炸增长的时间。这类似于在整理一间乱房间时先把桌面的东西归位再处理地板上的尽量让工作区域保持整洁。二是门融合将每块相邻的单量子比特门和双量子比特门合并成一个多量子比特的统一操作。这样原本需要对每个门分别更新账本现在变成了对每个融合块只更新一次大幅减少了更新次数也让截断操作变得不那么激进——因为截断只在每个融合块结束后执行一次而不是每个门之后都执行。最终的模拟流程是先重排并划分融合块然后逐块更新状态向量并截断直至电路执行完毕最后读取概率最高的状态编号作为输出。对于这个锐峰电路研究者发现只需保留不到2的5次方即32个非零项就能找到正确的输出比特串——这充分说明了峰值电路的可压缩性。---六、模拟性能如何随规模变化研究者系统测试了模拟时间和状态向量规模随k值变化的规律得出了几个值得关注的结论。关于模拟时间当使用top-k截断时模拟所需时间与k呈线性关系跨越了多个数量级都保持这一规律。换句话说k每增加一倍模拟时间大约也增加一倍。CPU版本的线性关系非常清晰GPU版本在k较小时有一个固定的启动开销大约相当于在小数量级时的额外延迟但在k较大时比CPU快大约10倍直到GPU内存耗尽为止。关于状态向量的增长过程在电路运行初期状态向量中非零项的增长呈现出阶梯式的指数增长——某些门操作不改变项数另一些则使项数翻倍。当项数触及k的上限时top-k截断将其强制压回k从而保持稳定。k越大能容纳的非零项越多但每个融合块的处理时间也越长。关于p-mass截断的行为与top-k不同p-mass截断不直接限制项数而是根据概率质量动态调整。当p设为99.9%时状态向量的非零项数量可以增长到超过2的28次方约2.7亿远超预期而当p设为90%时项数则被控制在一个相对较低的水平。这说明即便是轻微的p值提升也可能导致所需项数急剧增加。更有意思的是当p从90%逐步趋近于100%时所需的非零项数量呈现出近乎垂直的急剧攀升几乎直逼2的n次方44个量子比特对应约17.6万亿。然而这条曲线的陡峭程度本身也是一个积极信号它意味着在实践中用远少于2的n次方的项数就能保留相当高比例的概率质量从而成功找到峰值电路的最可能输出。---七、方法的边界哪些情况下会失效研究者对这套方法的适用范围保持了清醒的认识并在论文中坦诚地指出了其局限性。从理论上看对于浅层峰值电路每个输出量子比特只依赖有限数量的输入量子比特已经有数学证明表明其输出分布可以用准多项式数量而非指数级数量的项来近似描述这与稀疏截断方法的有效性完全吻合。然而当电路变得非常深、纠缠非常强时即便输出分布仍然有一个明显的峰值大量的概率质量也可能分散在数量庞大的状态上。在这种情况下要保持足够的模拟精度就必须保留越来越多的项直到接近暴力枚举全部2的n次方种状态的程度。此时截断方法的优势便荡然无存甚至可能产生误导性的结果——模拟器以为找到了峰值但实际上丢弃了太多重要信息。换句话说这套方法在概率高度集中的电路上表现优异而在概率虽有峰值、但同时大量分散的电路上可能彻底失效。研究者坦承这种方法的表现会因电路的不同而有极大差异使用前需要谨慎评估具体电路的结构特性。为了应对更困难的峰值电路研究者在展望中提到可以在模拟前引入ZX演算ZX-calculus优化等图论方法对电路进行预处理从电路结构层面降低模拟难度。这些技术在正式模拟之前发挥作用有望进一步提升稀疏截断模拟器的适用范围。---说到底这项研究做的事情本质上是在一场信息量爆炸的游戏中找到聪明的剪枝策略。量子计算机的状态空间是指数级庞大的但对于那些心有定数的峰值电路来说真正重要的信息其实只占其中很小的一部分。研究者证明只要抓住这部分关键信息加上合理的排序策略和硬件加速普通的经典计算机也能在许多场景下预测量子电路的输出结果。这对于量子计算生态的发展有着实际意义——它为量子算法的验证、量子优势的评估提供了一个低成本的对照工具。当然这把削铁如泥的剑也有其用不上的场合面对那些刻意将概率质量打散到大量状态上的电路任何截断方法都难逃失效的命运。研究者的开源实现已发布在GitHub上感兴趣的读者可以通过论文编号arXiv:2607.07816找到原文进一步了解技术细节或自行复现实验。---QAQ1峰值电路与普通量子电路有什么本质区别A峰值电路的设计目标是让输出结果的概率高度集中在某一个特定的比特串上就像射箭比赛中几乎所有箭都落在靶心附近而普通量子电路的输出概率可能均匀分布在大量状态上。正是这种集中性让峰值电路可以用少量项来近似描述其输出从而大幅降低经典模拟的难度。Q2top-k截断和p-mass截断哪种方式更好用A两种方式各有侧重。top-k截断直接限制内存和运算量的上限适合资源受限的场景但无法直接控制模拟精度。p-mass截断则直接控制保留的概率比例更直观地衡量模拟准确度但可能导致状态向量规模失控。研究者建议根据需求选择主方式同时用另一种作为辅助约束两者配合使用效果最佳。Q3稀疏截断状态向量模拟器能模拟多少量子比特的电路A理论上由于使用64位整数存储状态编号上限是64个量子比特。但实际瓶颈是内存随着电路深度增加和纠缠增强非零项数量会指数级增长普通电脑的内存会远早于64比特上限就被耗尽。在研究者测试的44量子比特锐峰电路中少于32个非零项就能找到正确答案但更复杂的电路可能需要远多于此的项数。
