技术摘要：Q-SPARSE：用于近场角-距谱估计的量子子空间投影

1. 问题陈述

近场源定位需要利用波前曲率来联合估计角度和距离，这一任务将电尺寸较大的阵列转化为一个联合角度与距离的孔径。与远场场景中阵列响应为平面不同，近场响应是球面形式的，并且显式地依赖于距离。

经典的子空间方法（如近场 MUSIC）通过测试候选导向矢量是否落在估计的噪声子空间内来实现超分辨率。然而，这种方法带来了极高的计算成本：它需要对样本协方差矩阵进行谱处理，随后要在二维球面流形上评估大量潜在的角度-距离假设。其计算负担随阵列维度、目标规模以及搜索网格的分辨率而增加。

虽然量子辅助 MUSIC（Q-MUSIC）已被提出来应对这些挑战，但现有方法面临着显著的瓶颈：

1. 特征态准备：作为量子相位估计（QPE）的输入，特征态的经典准备过程在计算上是非常昂贵的。
2. 近场复杂性：直接扩展到近场并非易事，因为每一个假设都对应于一个由角度和距离共同索引的球面量子态。
3. 有限分辨率效应：有限 QPE 分辨率会导致特征分量在多个相位区间（bins）之间重新分布，从而可能改变竞争峰值的相对高度。

2. 方法论：Q-SPARSE 算法

作者提出了 Q-SPARSE（用于角-距谱估计的量子子空间投影），这是一个无需进行完整经典特征态准备即可实现近场超分辨率估计的框架。

核心机制

该算法将近场定位重新表述为一个量子谱成员问题。Q-SPARSE 不再显式计算特征向量，而是执行以下步骤：

1. 状态准备：将每个球面导向假设 $|a(r, \theta)\rangle$ 制备为量子态。
2. 量子相位估计 (QPE)：对由协方差矩阵生成的酉演化 $U_R = \exp(i2\pi \hat{R}/\alpha)$ 应用 QPE。这使得算法能够在不接收特征向量作为经典输入的情况下，对协方差特征分量进行标记。
3. 谱质量转换：将解析出的谱质量转换为定位谱。

软阈值化与决策准则

该算法的一个关键创新在于处理有限分辨率 QPE 的方式。Q-SPARSE 并没有使用硬决策（信号 vs 噪声），而是采用了软阈值化方案：

• Marchenko-Pastur 校准：算法使用 Marchenko-Pastur 分布的渐近上界 $\lambda_+$ 作为噪声底限的参考。
• 逻辑加权：应用基于逻辑 Sigmoid 函数的平滑谱权重函数 $h_S(\lambda)$。该函数在 $\lambda_+$ 附近从 0 过渡到 1，其过渡宽度由 $\beta$ 控制。
• 得分计算：最终得分 $S^{(q)}_Q(r, \theta)$ 是相位区间概率的加权和。这种方法通过过滤逻辑响应而非仅仅对特征值进行取整来工作，从而考虑了超出最近区间的泄漏问题。

理论等价性

在理想的信号-噪声划分下，Q-SPARSE 被证明完全等于经典的信号-子空间重叠（即归一化 MUSIC 函数的分子）。因此，该方法保留了归一化近场 MUSIC 谱的最大值点。

3. 主要贡献

本文概述了三个主要贡献：

1. 谱查询公式化：作者提出了一种用于近场定位的量子谱成员公式化方法。他们证明了在理想条件下，Q-SPARSE 得分与归一化 MUSIC 信号-子空间得分是等价的，并且在特定假设下具有降低计算成本的潜力。
2. 有限分辨率表征：论文推导了完整的 QPE 核，并提出了带有软阈值化的最近区间选择方案。这避免了以往 Q-MUSIC 变体中存在的完整经典特征态准备的瓶颈。
3. 资源感知验证：使用 IBM 的 QISKIT 软件平台和模拟器进行了数值结果演示。研究通过对真实系统约束（特别是针对提出的区间选择机制的有效性）进行验证，并与经典基准进行了对比。

4. 数值结果

作者在 IBM 量子模拟器上对 Q-SPARSE 进行了评估，参数如下：

• 设置：28 GHz 载波频率，均匀线性阵列，近场范围 $[0.15, 1]$ m，方位角 $[0^\circ, 180^\circ]$。
• 参数：$q=10$ 个相位量子比特，$M=10^4$ 次采样（shots），且 $\beta=0.25$。
• 指标：距离和角度的归一化均方误差 (NMSE)，以及检测概率 ($P_D$)。

主要发现：

• SNR 与快照性能：该算法在不同信噪比（SNR）水平下表现出稳健的恢复能力。NMSE 曲线在高 SNR 下趋于平缓，这反映了网格间距（0.025 m 和 0.5°）的限制，而非协方差估计误差。
• 阵列与负载效应：由于导向矢量重叠更加尖锐，检测概率随阵列规模 ($N$) 的增大而提高。相反，随着目标负载 ($K$) 的增加，性能会下降，因为用于拒绝伪峰的噪声子空间维度减少了。
• 基准对比：与经典近场 MUSIC 和加载型 MVDR 相比，Q-SPARSE 表现出相当的精度。细微的性能差异归因于逻辑协方差加权（该权重具有经典矩阵函数的实现方式），而非在硬性信号-噪声划分下的根本性量子精度优势。
• 复杂度：论文指出，虽然结构化的 Q-SPARSE 界限暗示了潜在的效率（$\tilde{O}(G\epsilon^{-3}_Q \text{poly}(\log N))$），但这些是取决于高效状态准备和块编码的条件性界限。它们并未建立无条件的量子加速。

5. 意义与主张

本文将 Q-SPARSE 定位为迈向量子辅助近场定位的务实一步。其重要性在于：

• 消除瓶颈：它通过直接对协方差演化进行 QPE，解决了 Q-MUSIC 中经典特征态准备的主要瓶颈。
• 鲁棒性：它提供了一种处理近场几何特性（球面流形）和有限 QPE 分辨率挑战的方法，并配备了校准的软决策准则。
• 现实性：通过在具有真实噪声模型（门误差、读取误差）和有限采样次数的量子模拟器上进行验证，该工作证明了所提出的区间选择机制在系统扰动下依然有效。

作者保持了审慎的态度，承认该方法在理想条件下保留了经典 MUSIC 的最大值点，并且观察到的精度提升并不一定优于经典基准，而是通过不同的计算结构实现的。这项工作作为近场量子子空间投影的概念验证，突出了该算法在近期量子硬件上实现时的潜力与当前的局限性（例如电路深度和门计数）。