⚛️ quantum physics

Asymmetric Linear-Combination-of-Unitaries Realization of Quantum Convolution via Modular Adders

本文提出了一种基于非对称线性组合幺正算子（LCU）的量子卷积实现方案，通过利用模加器构建非对称电路结构以保留复数相位，并引入反射移位算子构建对称化递归代数，从而在无需核态逆制备的情况下高效实现离散循环卷积，并为实值核提供了可直接用于量子奇异值变换的厄米接口。

原作者： Chen Yang, Kodai Kanemaru, Norio Yoshida, Sergey Gusarov, Hiroshi C. Watanabe

发布于 2026-03-17

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Chen Yang, Kodai Kanemaru, Norio Yoshida, Sergey Gusarov, Hiroshi C. Watanabe

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个关于**如何在量子计算机上高效地做“卷积”（Convolution）**的新方法。

为了让你轻松理解，我们可以把量子计算机想象成一个超级复杂的厨房，而“卷积”就是给一道菜（数据）均匀地撒上一层特制的调料（核/Kernel）。

1. 核心难题：量子厨房的“魔法限制”

在经典计算机上，给数据撒调料很简单：把数据读出来，算一下，再写回去。
但在量子计算机上，有一个著名的“魔法限制”（论文里提到的 Lomont 的“不行”论证）：你不能直接像经典计算机那样，把两个量子态的“味道”（振幅）直接相乘。 如果强行这么做，量子态会崩溃，或者丢失关键信息（比如味道的“正负”或“相位”）。

以前的方法就像是在厨房里：

方法 A（对称法）： 厨师先尝一下调料的味道，再尝一下菜的味道，然后只根据“味道有多浓”（ $|b_i|^2$ $∣ b_{i} ∣^{2}$ ）来撒料。
- 缺点： 这样会丢失调料原本的“正负”或“特殊风味”（相位信息），做出来的菜味道不对。
方法 B（傅里叶变换法）： 把菜和调料都变成“声波”（频域），在声波里混合，再变回来。
- 缺点： 过程复杂，而且如果调料不是现成的声波，还得先花大价钱去“翻译”它。

2. 这篇论文的突破：不对称的“魔法撒料法”

作者 Chen Yang 等人提出了一种**“不对称线性组合”（Asymmetric-LCU）**的新策略。

想象一下这个场景：

数据（菜）： 已经是一盘做好的量子态 $|a\rangle$ 。
调料（核）： 已经是一瓶调制好的量子态 $|b\rangle$ （比如由上游程序直接生成的）。
目标： 把调料均匀地撒在菜上，保留所有风味（包括正负号）。

他们的秘诀是“不对称”：

固定参考系（均匀态 $|u\rangle$ ）： 厨师手里拿着一把标准的、均匀的勺子（固定状态 $|u\rangle$ ），这把勺子不需要每次重新制作，它是通用的。
输入调料（ $|b\rangle$ ）： 调料瓶 $|b\rangle$ 直接作为输入，不需要厨师在撒料前先去“逆向拆解”它（不需要 $PREP^\dagger_b$ ）。
神奇结果： 因为这种“不对称”的操作，调料原本复杂的“正负风味”（复数系数 $b_i$ ）被完美保留了下来，而不是被简化成单纯的“浓度”（ $|b_i|^2$ ）。

比喻： 就像你不需要把调料瓶拆开分析化学成分，直接把瓶子倒进锅里，配合一个标准的搅拌动作，就能得到完美的味道。

3. 核心工具：模加器（Modular Adder）与“回形针”

论文中用到了两个关键概念：

模加器（Modular Adder）： 这是一个量子电路，功能就像是一个循环计数器。如果你把数字 1 加到 7 上（在 8 个数的圈里），它变成 0。在量子世界里，这相当于把数据“移位”。论文证明，卷积本质上就是这种“移位”操作的加权组合。
回形针（ $J_n$ 矩阵）： 作者引入了一个叫做 $J_n$ $J_{n}$ 的操作，它的作用就像把一串珠子倒过来（反转）。
- 为什么要倒过来？ 这样做有一个巨大的好处：如果调料是“实数”的（没有虚数部分），倒过来之后，整个操作就变成了**“厄米特”（Hermitian）**的。
- 厄米特是什么意思？ 在量子世界里，这就像是一个**“可逆且稳定”的镜子。只有这种“镜子”操作，才能直接用于高级的量子算法（如 QSVT），用来做“去卷积”**（比如把模糊的照片变清晰，或者把被干扰的信号还原）。

4. 两种实现方式：结构清晰 vs. 效率至上

作者提供了两种“做菜”的方案：

结构递归法（Structural Recursion）：
- 就像是用乐高积木一块块搭出来的。
- 优点： 逻辑非常清晰，能让人一眼看懂背后的数学原理（就像看图纸）。
- 缺点： 积木块有点多，效率不是最高。
位运算编译法（Bitwise Compilation）：
- 就像是用流水线机器直接冲压出来的。
- 优点： 效率极高，用的门电路（步骤）更少，是实际运行时的最佳选择。
- 关系： 这两种方法做出来的“菜”味道（数学结果）是一模一样的，只是“做法”不同。

5. 什么时候最有用？

这篇论文最大的价值在于**“输入模型”**：

如果数据和调料已经是量子态： 比如它们是由之前的量子传感器或量子模拟直接生成的。那么，这个方法极快且高效，因为它省去了重新“准备”调料的步骤。
如果数据是经典文件（如图片）： 那么瓶颈在于把图片“加载”进量子计算机（State Preparation），这时候卷积本身的计算速度反而不是最关键的。

总结

这篇论文做了一件很酷的事：
它发现量子卷积其实就是一个**“不对称的移位游戏”。通过巧妙地利用固定的参考系和反转操作（ $J_n$ ），他们不仅解决了量子计算中“保留相位信息”的难题，还让卷积操作变成了一个“可逆的镜子”**。

这意味着，未来的量子计算机在处理图像去模糊、信号降噪、或者解方程（去卷积）时，可以不再绕弯路，直接利用这种“厄米特”特性，用更少的步骤、更清晰的逻辑，把模糊的量子信号变清晰。

一句话总结： 他们发明了一种新的量子“撒料”技巧，既保留了所有风味（相位），又让这道菜变得“可逆”（厄米特），特别适合那些已经准备好食材（量子态）的高级量子厨房。

这是一份关于论文《Asymmetric Linear-Combination-of-Unitaries Realization of Quantum Convolution via Modular Adders》（基于模加法的非对称线性组合幺正算子实现量子卷积）的详细技术总结。

1. 研究背景与问题 (Problem)

核心挑战：离散循环卷积（Discrete Circular Convolution）是信号处理中的基本操作。在量子计算中，直接实现两个量子态的振幅乘积（即双线性操作）被 Lomont 的“不可行性论证”所禁止，因为这违反了量子力学的线性性质。
现有方案局限：
- 虽然可以将卷积视为作用在基向量索引上的线性算子，并通过线性组合幺正算子（LCU）或块编码（Block-encoding）技术实现，但现有工作（如 Zhou & Wang, Castelazo et al.）在电路层面的表述不够统一。
- 传统的对称 LCU 方法（使用相同的态制备算子 $PREP_b$ 进行前后叠加）会导致权重变为 $|b_i|^2$ ，从而丢失核函数（Kernel）的复数相位信息，这对于需要保留复数系数的卷积操作是致命的。
- 现有的群卷积框架通常假设通过 Oracle 访问核函数，或者在傅里叶域进行操作，缺乏一种直接在计算基上利用模加法（Modular Addition）构建的、能自然保留复数系数的电路级表述。

2. 方法论 (Methodology)

本文提出了一种基于**非对称 LCU（Asymmetric-LCU）**框架的量子卷积实现方案，核心思想是将卷积算子构建为模加法电路的后选择（Post-selection）块。

2.1 非对称 LCU 表述

核心机制：利用控制移位算子 $SELECT_L$ $S E L E C T_{L}$ （即模加法 $ADD_N$ $A D D_{N}$ ），结合两个不同的辅助态：
- 后选择态（Post-selection state）：固定的均匀叠加态 $|u\rangle = \frac{1}{\sqrt{N}}\sum |i\rangle$ 。
- 输入辅助态（Input ancilla state）：待处理的核函数态 $|b\rangle = \sum b_i |i\rangle$ 。
非对称性优势：
- 电路结构为： $(PREP_u^\dagger \otimes I) \cdot SELECT_L \cdot (PREP_b \otimes I)$ 。
- 当对辅助寄存器进行 $|0\rangle$ 后选择时，输出算子为 $\frac{1}{\sqrt{N}} \sum b_i L_{i,N}$ 。
- 关键点：这种非对称设计保留了核系数 $b_i$ 的复数相位，而对称设计（ $PREP_b$ 在两侧）只会保留 $|b_i|^2$ 。
- 资源优化：如果核态 $|b\rangle$ 已由上游量子过程提供，卷积子程序仅需执行固定的 $PREP_u^\dagger$ （去制备均匀态），无需针对特定核函数执行昂贵的 $PREP_b^\dagger$ 逆操作。

2.2 对称化算子与递归结构

引入反转矩阵 $J_n$ ：定义 $J_n = X^{\otimes n}$ （按位取反），并定义反射移位算子 $\tilde{L}_{i,n} = L_{i,n} J_n$ 。
对称化卷积算子：构建 $H_n(b) = \sum b_i \tilde{L}_{i,n}$ $H_{n} (b) = \sum b_{i} \tilde{L}_{i, n}$ 。
- 标准卷积 $C_n(b)$ 与 $H_n(b)$ 的关系为： $C_n(b) = H_n(b) J_n$ 。
- 厄米性（Hermiticity）：对于实值核函数， $H_n(b)$ 是厄米算子。这使得该算子可以直接作为量子奇异值变换（QSVT）的输入，无需像传统非厄米算子那样进行额外的厄米化扩展（如构造 $H(C) = \begin{pmatrix} 0 & C \\ C^\dagger & 0 \end{pmatrix}$ ）或求解正规方程（Normal Equation）。
递归结构：提出了反射生成元 $U_n = \tilde{L}_{1,n}$ 的结构化递归公式，揭示了卷积算子的代数结构。

2.3 电路实现

模块化加法器：利用标准的量子模加法器（如 QFT 加法器或 Ripple-carry 加法器）作为 $SELECT_L$ 的核心组件。
两种实现路径：
1. 直接递归构造：基于 $U_n$ 的结构递归，直观展示算子代数，但门复杂度较高（宏观块 $O(n^3)$ ，CNOT 门 $O(n^4)$ ）。
2. 优化位级编译：基于进位传播（Carry-propagation）的位级递归编译，与直接构造在数学上等价，但效率更高（宏观块 $O(n^2)$ ，CNOT 门 $O(n^3)$ ）。
等价性：证明了 $SELECT_{\tilde{L}}$ 与标准模加法 $ADD_N$ 仅相差一个输入端的 $J_n$ 层，因此任何高效的模加法电路均可直接复用。

3. 主要贡献 (Key Contributions)

明确的非对称 LCU 表述：首次明确建立了离散循环卷积与“固定后选择态 + 输入核态”的非对称 LCU 块之间的等价关系。这种方法在电路层面自然地保留了复数系数，解决了传统对称重叠丢失相位的问题。
$J_n$ 对称化厄米算子流水线：引入了 $J_n$ 对称化技术，构建了 $H_n(b)$ 。对于实核，该算子天然具有厄米性，为 QSVT 和逆谱变换（如反卷积）提供了直接的厄米接口，避免了条件数平方（Condition number squaring）的问题。
结构化递归与优化编译：提出了卷积算子的结构化递归形式，并给出了与其严格等价的优化位级编译方案。该方案在保持算子功能不变的前提下，显著降低了门电路复杂度。
统一的理论框架：统一了基于循环矩阵（Circulant Matrix）的加法器实现与基于群卷积（Group Convolution）的 LCU 框架，明确了它们在不同视角下的内在联系。

4. 结果与性能分析 (Results & Performance)

复杂度分析（设 $N=2^n$ $N = 2^{n}$ ）：
- 直接递归构造：宏观块复杂度 $O(\log^3 N)$ ，基础 CNOT 门复杂度 $O(\log^4 N)$ 。
- 优化位级编译：宏观块复杂度 $O(\log^2 N)$ ，基础 CNOT 门复杂度 $O(\log^3 N)$ 。
- 对比：优于直接傅里叶域方法（需 Oracle 访问），且与经典 FFT 的 $O(N \log N)$ 相比，在量子态输入模型下具有指数级的状态压缩优势（仅需 $O(\log N)$ 量子比特）。
输入模型：
- 相干量子态输入：当数据 $|a\rangle$ 和核 $|b\rangle$ 已作为量子态提供时，卷积子程序仅消耗模加法器的成本，且无需 $PREP_b^\dagger$ 开销。
- 经典向量输入：总成本由状态加载开销 $T_{load}(N)$ 主导，卷积电路本身仅增加对数级开销。
反卷积（Deconvolution）：利用 $H_n(b)$ 的厄米性，通过 QSVT 实现反卷积，其多项式次数依赖于条件数 $\kappa$ 的线性关系 $O(\kappa \log(1/\epsilon))$ ，避免了正规方程路线的 $\kappa^2$ 依赖。

5. 意义与影响 (Significance)

理论突破：该工作澄清了量子卷积实现的物理机制，证明了在保持线性量子力学定律的前提下，通过非对称 LCU 可以精确实现复数系数的卷积，填补了理论表述上的空白。
算法优化：提出的 $J_n$ 对称化方法为量子信号处理（QSP）和 QSVT 提供了一种新的厄米算子构建路径，特别适用于需要逆运算（如去模糊、滤波）的场景。
工程实用性：通过模块化设计，该框架允许直接复用现有的高效模加法器（如 Ripple-carry 或 QFT 加法器），使得算法能够适应不同的硬件架构和门集限制。
应用场景：特别适用于量子信号处理流水线中的中间步骤，例如在量子传感或量子模拟生成的相干态上进行实时的卷积滤波或反卷积处理。

总结：本文通过引入非对称 LCU 框架和 $J_n$ 对称化技术，不仅解决了量子卷积中复数相位保留的难题，还构建了一个高效、结构化且天然兼容 QSVT 的量子卷积算法框架，为量子信号处理和线性系统求解提供了新的理论工具和实现路径。