量子计算机不是同时测试所有解：用Qiskit实验揭示叠加与干涉真相

“Quantum computers do not test every solution at once”——如果你看过量子计算科普内容大概率听过类似“量子计算机可以同时尝试所有解”的说法。这句话听着很爽但和实际机制并不完全吻合。这篇文章不打算停在概念层面而是用 Qiskit 本地模拟器跑 4 个可复制的实验把量子叠加、测量坍缩、干涉和算法加速的真实工作方式直接摆在面前。你不需要拥有量子计算机也不需要昂贵的 GPU一台普通笔记本就能完成验证。看完之后你会明白为什么“同时测试所有解”是一个过度简化也会知道怎么在本地环境里一步步跑通这些量子算法实验。这篇文章适合三种人一是刚开始接触量子计算、想建立准确直觉的开发者二是已经跑过 Qiskit 教程、但对“量子平行性”理解还不深的读者三是想在技术面试或汇报里把量子算法讲清楚的人。核心结论先说量子计算机确实可以在某种数学意义上同时处理 2 的 n 次方个计算基态的振幅但一次测量只能得到一个二进制串直接读取所有答案是做不到的。真正的加速来自振幅干涉——算法把正确解的概率振幅放大把错误解抵消掉而不是像经典计算机那样“一个个试过去”。下面我们用实验证明这一点。1. 量子计算核心概念速览在进入实验前先建立一个整体框架。量子计算的关键元素可以被压缩成下表方便你对照后面的代码理解。概念说明常见误解量子比特 Qubit可处于叠加态的基本计算单元用 0 和 1 的振幅描述认为它“同时等于 0 和 1”叠加 Superposition量子比特可以处于多个计算基态的相干叠加认为叠加态就是经典概率分布测量 Measurement测量会让量子态坍缩到单个计算基态认为测量后会返回所有可能结果纠缠 Entanglement多个量子比特的状态无法独立描述认为纠缠是超光速通信手段干涉 Interference振幅的相位导致概率放大或抵消忽视相位信息的重要性量子平行性 Quantum Parallelism单次操作能够作用于 2 的 n 次方个振幅认为可以免费并行读取所有结果典型量子算法Deutsch-Jozsa、Grover、Shor认为所有算法都比经典快从这张表能看出量子算法的核心不是“枚举答案”而是设计量子线路让目标答案的振幅在干涉后尽量变大。接下来我们通过模拟器验证这一点。模拟器不是真实量子硬件但它能忠实地模拟状态矢量的数学演化用来学习原理非常合适。2. 为什么说“不是同时测试所有解”先看数学层面。一个 n 量子比特的系统状态可以写成所有计算基态的线性组合系数称为振幅每个振幅都是复数包含幅度和相位。用模拟器处理这个状态时计算机确实要保存 2 的 n 次方个振幅这也是为什么状态矢量模拟特别吃内存。但“保存全部振幅”和“同时测试所有解”是两回事关键在测量。测量一个量子态时你只能得到其中一个计算基态得到某个结果的概率是该基态振幅模长的平方。一旦测量完成量子态就坍缩到这个结果上。想要重建概率分布唯一办法是重复制备同一个量子态、重复测量很多次再统计频率。也就是说量子计算机并没有在一次运行里告诉你“所有解是什么”它只是把信息藏在振幅里再由测量概率分布间接暴露出来。真正让量子算法超越经典算法的机制是干涉。以 Grover 搜索为例它的复杂度是 O(√N)N 是搜索空间大小。如果量子计算机真的是“一次测试所有解”复杂度应该是 O(1)。但实际算法需要多次迭代每一轮都在把目标解的振幅变大、把非目标解的振幅压缩。这正是“不是同时测试所有解”的最直接证据。量子加速是并行与干涉共同作用的结果而不是免费的并行读取。还有一个常见的理解偏差是把叠加态当成经典概率混合。经典概率里每种状态都有权重但量子振幅带相位相位相同则叠加增强相位相反则相互抵消。这种相位关系是量子计算的核心资源经典概率分布无法描述。所以当我们说“量子平行性”时准确表述是单次幺正变换可以同时作用于所有振幅但想要提取信息必须通过巧妙的干涉和测量而不是简单地把所有结果倒出来。3. 本地仿真环境准备与启动方式真实量子计算机需要极低温、电磁屏蔽、微波控制等设施普通开发者最现实的选择是用模拟器学习。这里用 Qiskit 生态它是目前社区最主流的量子计算框架之一。本文所有实验基于 Qiskit 1.x 和 qiskit-aer这套环境在 CPU 上就能跑不需要 GPU。如果你没有安装请先准备好 Python 3.9 到 3.12 中的一个版本然后创建虚拟环境。python -m venv qcenv # Windows 激活方式 # qcenv\Scripts\activate # macOS / Linux 激活方式 source qcenv/bin/activate激活虚拟环境后升级 pip 并安装依赖。qiskit-aer 是 AerSimulator 的所在包在 Qiskit 1.x 中它已经从主包拆分出来需要单独安装。pip install --upgrade pip pip install qiskit1.0 qiskit-aer安装完成后可以用下面两个命令快速验证环境能不能用。python -c import qiskit; print(qiskit.__version__) python -c from qiskit_aer import AerSimulator; print(Aer OK)如果在国内网络环境安装较慢可以替换为清华或阿里云镜像源但不要盲目使用来源不明的镜像。安装成功后所有代码都可以在 Jupyter Notebook 或普通 Python 脚本中运行。下面开始做实验。4. 实验一单量子比特叠加与测量这个实验的目标是建立叠加态和测量概率的基本直觉。我们创建一个量子比特给它施加 Hadamard 门让它处于 |0 和 |1 的均匀叠加态然后测量 1024 次统计输出的分布。from qiskit import QuantumCircuit, transpile from qiskit_aer import AerSimulator qc QuantumCircuit(1, 1) qc.h(0) qc.measure(0, 0) sim AerSimulator() t_qc transpile(qc, sim) result sim.run(t_qc, shots1024).result() counts result.get_counts() print(counts)预期输出是一个字典例如 {0: 512, 1: 512}。由于采样有统计波动两个数字不必完全相等但比例会接近 1:1。运行这个实验你会看到一个最重要的事实量子计算机没有直接返回“0 和 1 同时存在”这样的结果它返回的是 1024 个独立采样结果每个结果要么是 0要么是 1。如果利用叠加态去搜索问题答案你单次测量只能得到一个候选值不可能一次性拿到全部候选值。下一步可以改动 shots 参数。把 shots 改成 1你会看到单次输出只可能是 0 或 1这就更直观了。叠加态确实存在但测量接口不提供“同时读取”能力。这个实验是整个文章结论的最小可验证样本后续的所有算法都建立在“测量会坍缩”这个约束上。5. 实验二两比特均匀叠加与概率分布单比特实验只能看到两个结果的概率。我们扩展到两个量子比特对两个比特同时施加 Hadamard 门得到 |00、|01、|10、|11 的均匀叠加。理想情况下四个结果的概率各约 25%。from qiskit import QuantumCircuit, transpile from qiskit_aer import AerSimulator qc QuantumCircuit(2, 2) qc.h([0, 1]) qc.measure([0, 1], [0, 1]) sim AerSimulator() t_qc transpile(qc, sim) result sim.run(t_qc, shots4096).result() counts result.get_counts() print(counts)运行后你会得到类似 {00: 1048, 01: 1012, 10: 1024, 11: 1012} 的结果。为什么会这样从模拟器内部看AerSimulator 确实维护了四个计算基态的振幅这是状态矢量模拟的核心工作。但对使用者来说每一次测量都只坍缩到四个结果中的一个必须通过大量采样才能恢复出概率分布。这个实验揭示了一个关键点n 个量子比特的均匀叠加态在数学上包含 2 的 n 次方个基态的信息但你能拿到的观测结果是一个长度为 n 的二进制串。想要知道概率分布必须付出额外的采样代价。有人会问这不是相当于把任务重复了很多次吗对测量层面确实如此。量子算法的优势在于某些问题只需要很少的查询次数加上量子干涉就能让正确解的概率变得足够大而不是去枚举所有解。这正好呼应了标题它没有测试所有解它把搜索过程藏在了概率放大里。6. 实验三Deutsch-Jozsa 算法一次查询判断函数性质如果只看测量概率量子计算机似乎并不比经典计算机强。下面进入真正体现算法优势的经典入门示例Deutsch-Jozsa 算法。问题是判断一个布尔函数 f(x) 是常数函数还是平衡函数函数输入是 n 个比特输出是 1 个比特并保证两者必居其一。经典算法在最坏情况下需要查询 2 的 n-1 次方加 1 次而 Deutsch-Jozsa 算法只需要一次函数查询。这里给出一个 n2 的具体实现。我们构造平衡函数 f(x) x0 XOR x1也就是说当两个输入比特不同时输出 1相同时输出 0。量子线路使用 2 个工作比特和 1 个辅助比特通过两个受控非门把工作比特的值写入辅助比特从而在量子态中编码函数信息最后测量工作比特。from qiskit import QuantumCircuit, transpile from qiskit_aer import AerSimulator n 2 qc QuantumCircuit(n 1, n) # 辅助比特置为 |1 qc.x(n) # 所有比特进入叠加态 qc.h([0, 1, 2]) # Oraclef(x) x0 XOR x1辅助比特与两个工作比特做异或 qc.cx(0, 2) qc.cx(1, 2) # 工作比特再次经过 Hadamard 门 qc.h([0, 1]) # 测量工作比特 qc.measure([0, 1], [0, 1]) sim AerSimulator() t_qc transpile(qc, sim) result sim.run(t_qc, shots1024).result() counts result.get_counts() print(counts)运行后你会得到非全 0 的结果例如 {11: 1024} 或包含多个非零状态的分布具体的非零模式取决于平衡函数的具体结构和排列方式但关键判断标准是只要不是全 0就说明 f 是平衡函数。若把代码中两个受控非门删除Oracle 变成常数函数 f(x)0测量结果会变成 {00: 1024}。这个实验很有说服力。量子程序并不是“同时测试 00、01、10、11 四个输入然后汇总结果”。如果真是那样测量返回的应该是一个包含四种结果的列表。但实际上算法通过辅助比特的相位编码把“是否存在平衡性质”这个全局信息写进了工作比特的干涉图样里再通过 Hadamard 门让振幅相互干涉最后测量一次就得到答案。这是典型的“信息隐藏在干涉结果中”不是暴力枚举。7. 实验四Grover 搜索的加速本质再看一个更容易理解实际意义的算法Grover 搜索。问题是从 N 个无序元素里找到目标解N2 的 n 次方。经典算法平均要查询 N/2 次最坏情况查 N 次。Grover 算法把查询次数降低到约 π 乘以根号 N 再除以 4是一个二次加速。这个加速已经很了不起但它仍然不是常数时间。我们用 2 个量子比特做一个小规模搜索目标是状态 |11。线路分为三部分初始化均匀叠加Oracle 只在目标态上翻转相位Diffusion 算符负责放大目标振幅。from qiskit import QuantumCircuit, transpile from qiskit_aer import AerSimulator qc QuantumCircuit(2, 2) # 初始化叠加态 qc.h([0, 1]) # Oracle只在 |11 时翻转相位用 CZ 门实现 qc.cz(0, 1) # Diffusion 算符 qc.h([0, 1]) qc.x([0, 1]) qc.cz(0, 1) qc.x([0, 1]) qc.h([0, 1]) qc.measure([0, 1], [0, 1]) sim AerSimulator() t_qc transpile(qc, sim) result sim.run(t_qc, shots1024).result() counts result.get_counts() print(counts)预期输出中 11 占绝对多数理论上接近 100%。这个结果说明 Grover 确实把目标概率放大了但它是通过迭代干涉实现的并不是一次性“把四个解都试完”。最简单的反证是如果量子计算机真的能一次测试所有解那么 Grover 搜索应该是 O(1) 复杂度但理论上和实验都显示算法需要 O(√N) 次迭代。每增加一个量子比特搜索空间翻倍需要的迭代次数也按根号规模增长。这意味着量子计算机并非“同时存在所有答案”而是用根号加速去搜索答案。从代码角度看Grover 的 Oracle 只是翻转了目标态的相位Diffusion 算符随后做了均匀振幅的平均反转。相位信息被转换成概率差异最终在测量时显现。这个过程可以直观理解成把答案概率从 1/N 慢慢抬升到接近 1而不是一开始就知道答案。你可以在 n3、n4 的规模上继续实验记住每次迭代次数会变化这样才能更清楚地看到量子算法的时间成本。8. 真实量子硬件资源门槛与云端 API 接入前面四个实验都在模拟器上完成。模拟器和你真实看到的量子芯片有一个重大差异模拟器需要把每个振幅存在经典内存里所以量子比特越多内存消耗越是指数级增长。我用状态矢量模拟的“理论内存下限”给出一张估算表方便你理解为什么本机跑不了大规模量子程序。量子比特数状态矢量模拟理论内存下限10约 16 KB20约 16 MB30约 17 GB36约 1 TB50约 18 PB这里的计算假设是每个复振幅占用 16 字节对应两个双精度浮点数。实际实现往往有额外开销所以真实占用只会更高。这也是为什么 30 个量子比特的模拟已经接近普通电脑的极限而真实量子芯片可以处理 100 多个量子比特因为它们并不用经典内存存储全部振幅而是利用物理量子系统自身表示状态。如果你不满足于模拟器想体验真实量子硬件目前主流选择是云平台接入。IBM Quantum、Amazon Braket、Azure Quantum 这类平台都提供云端量子计算服务和接口。下面给出一个很通用的 Qiskit Runtime 调用模板实际参数必须根据你的账号、平台和安装版本调整这里只展示调用姿势。# 以 Qiskit Runtime IBM Quantum 为例需要先配置账号 # 安装依赖pip install qiskit-ibm-runtime # from qiskit_ibm_runtime import QiskitRuntimeService, SamplerV2 as Sampler # service QiskitRuntimeService(channelibm_quantum, tokenYOUR_TOKEN) # backend service.least_busy(operationalTrue, simulatorFalse) # sampler Sampler(backend) # result sampler.run([t_qc], shots1024).result()真实硬件会引入噪声、退相干和排队时间并不是“跑起来就一定更快”。在实际项目中建议先用 Aer 模拟器验证逻辑再上云跑小规模真实硬件实验。云端接入还需要注意隐私如果线路中涉及业务数据要评估数据合规和传输限制不要把未授权的敏感数据直接提交到外部平台。9. 常见问题与排查方法跑实验本身不难但新手在环境搭建和结果解读上容易踩坑。这里把常见问题整理成一张排查表你可以按条目快速定位。问题现象可能原因排查方式解决方案pip 安装 qiskit 失败Python 版本过低、网络问题查看 pip 报错日志使用 Python 3.9 到 3.12切换镜像源AerSimulator 不存在qiskit-aer 未安装执行 pip list查看是否有 qiskit-aer安装 qiskit-aer模拟 30 个量子比特内存不足状态矢量模拟内存指数增长查看系统内存占用减少量子比特数改用 GPU 后端或张量网络模拟器测量结果与理论概率偏差大shots 太少导致采样波动增大采样次数把 shots 提高到 8192 或更多云端鉴权失败token 配置错误或过期检查 service 初始化日志重新获取 token检查 QiskitRuntimeService 配置代码报 transpile 错误本地 Qiskit 版本过旧执行 qiskit.version检查版本升级到 Qiskit 1.x重新安装依赖运行后结果不稳定真实硬件噪声较明显对比模拟器结果增加 shots开启错误缓解或改用模拟器除了这些具体问题还有一个容易踩坑的点不同版本的 Qiskit API 差异很大。网上大量教程是 Qiskit 0.x 时代的写法比如from qiskit import Aer这种用法在 1.x 中已经变了。遇到旧教程时优先参考官方迁移说明避免浪费时间。如果你在跑 Deutsch-Jozsa 实验时得到全 0可能不是你代码写错而是 Oracle 被替换成了常数函数。检查线路中有没有受控非门即可。如果 Grover 实验里 11 的比例不高先确认 Diffusion 算符是否完整尤其是两个 X 门和两个 H 门有没有漏掉。10. 最佳实践与学习建议最后聊一点工程化和学习路线上的建议。我自己的判断是量子计算短期内不会替代经典计算但理解它的机制对做算法敏感的人很有价值。下面这些实践能让你的学习过程更稳。先跑通小规模模拟器再接触真实硬件。每个新算法先在 2 到 3 个量子比特上验证确认结果符合理论后再扩大规模。这样能避免把算法逻辑错误和硬件噪声混在一起排查。保存量子线路时可以使用 QASM 格式方便后续复现和分享。with open(grover.qasm, w) as f: f.write(t_qc.qasm())工程上还要注意目录和脚本管理。可以把线路构造、模拟器运行、结果统计拆成不同模块输入输出都放到独立目录。这个习惯在后续接入 API 或批量跑参数实验时特别有用。批量测试不同 Oracle 或不同搜索目标时建议写一个循环脚本输出结构用 JSON 记录方便对比概率分布。学习路线方面可以按下面这个顺序推进先彻底理解单比特叠加和测量然后做多比特纠缠实验再学 Deutsch-Jozsa 理解干涉接着用 Grover 理解振幅放大最后再挑战 Shor 算法和容错量子计算。每一次都回到“量子计算机不是同时测试所有解”这个判断上来校准自己的直觉。如果你能把这个判断用实验复现出来就已经比很多只会背概念的人深入了一层。这四个实验值得收藏备用动手跑一遍比纯看十条科普都有效。