深入理解连续变量量子计算

可视化演示

连续变量编码

水乡古镇的引水总渠告诉我们：信息不一定非要写成“开/关”。真正的河流，水位可以是 1.23 米、流速可以是 2.8 米/秒——读数天然是连续的。光子也有两条这样“无限细腻”的大河：一条叫振幅（对应位置算符 $\hat{x}$，想象成水位），一条叫相位（对应动量算符 $\hat{p}$，想象成流速）。它们合称光场的两个正交分量，是连续变量量子计算最基本的编码载体。

在离散量子比特的世界里，量子态住在二维的“小房间”里，只能容纳 0 和 1 两种状态的叠加。而光场的正交分量张成一个无限维希尔伯特空间——相当于给量子态准备了一条没有尽头的河道，每一处深浅都可存放信息。数学上，这一对“河水属性”必须满足著名的正则对易关系：

所以，连续变量编码好比在一条永不口涸的大河上作画：信息密度极高，一条河里可以“画出”比千万个闸门更多的内容。但代价是，我们必须接受水位与流速之间存在“此消彼长”的量子涨落——这是大自然给这条大河定下的铁律。

高斯态制备

要在大河上做文章，第一步是学会“天然水纹”。自然界的光源——激光器、热灯——在不加修饰时产生的状态，绝大多数都属于高斯态。这个名字来自统计学里的高斯分布（钟形曲线）：这些状态的量子涨落服从钟形分布，只需要“均值”和“方差”两个参数就能完整描述。最典型的是真空态和相干态（激光光源最接近的状态），它们相当于一条安静平缓、偶有微波的河流。

量子力学中最简单的真空态，其波函数本身就是一个高斯函数：

真空态的涨落是“标准噪声”——比它更小的涨落是经典世界不可能出现的。而压缩态正是利用了这一点：通过非线性晶体让光场在一个方向的涨落被挤压到真空噪声之下（另一个方向相应放大），就像河流经过收窄的峡谷，水面变得异常平静、流速却急剧加快。制备压缩态是连续变量量子计算中最关键的实验技术，也是迈向“量子优势”的第一块基石。

基本门操作

有了“天然水纹”，接下来要靠水利工程来雕刻信息。连续变量的量子门，就像工程师手里的四件套：位移门（$D(\alpha)$）像抬高或降低整个河床，改变水位和流速的平均值；旋转门（$R(\theta)$）像修一段 S 形弯道，让水流的相位整体转个角度；分束器（$B(\theta)$）像把河道一分为二再让两条支流交叉汇合，从而制造出两个光场之间的纠缠；而最特别的是压缩门（$S(\xi)$），它像在河道中嵌入一段可调节的收窄段，压缩某一方向的涨落。其中压缩门的数学形式尤为优美：

打个比方：位移门是“抬水”，旋转门是“转弯”，分束器是“分叉合流”，压缩门是“收窄”。四种操作配合使用，工程师就能在大河上构造出任意的量子线路。其中压缩门尤其重要——它是产生“比真空还安静”的非经典状态的核心手段，也是后续测量读出能够突破经典噪声极限的前提。

测量读出机制

河流被“雕刻”完成后，如何读出上面的信息？测量探针不能像离散量子比特那样简单数 0 和 1，而是要在实数轴上读出一个连续数值。最经典的是零差探测：让信号光与一束强参考激光（称为本振光）在分束器上干涉，然后测量两个输出端的光电流之差。本振光的相位 $\theta$ 就像标尺的“角度”——决定你测的是水位分量还是流速分量，或是两者之间的某个组合。描述这一测量的算符是：

零差探测的结构——50:50 分束器加两个光电探测器——叫作平衡零差探测，它能有效抵消经典噪声，只留下量子涨落。另一种外差探测则让信号光与两个正交的本振分量同时干涉，一次读出两个方向的组合信息。无论哪种方案，测量瞬间都会让量子态坍缩到某个确定值上，就像探针插入河道的那一刻，水纹被“冻住”了。

与离散变量对比

现在回到最初的工程抉择：到底该用“闸门阵列”（离散变量）还是“精密水渠”（连续变量）？离散变量量子计算的优点是纠错成熟：量子比特只有 0 和 1 两个状态，错误一旦发生，可以像检查集装箱标签一样定位并修复。经典纠错码有一个核心不等式——要纠正 $t$ 个错误，码距至少要达到 $2t+1$：

连续变量的困境在于：河水是连续的，一粒沙子（一个光子损耗）就会让整条水渠的水位产生微小偏移，而这种“微小偏移”在无限维空间里很难被察觉和纠正。早期人们甚至认为连续变量无法纠错——直到 GKP 编码（用周期性栅格状的量子态把逻辑比特嵌入无限维空间）的出现，才为连续变量打开了纠错的大门。离散方案像“整齐的集装箱码头”：稳健但编码稀疏；连续方案像“高密度水渠”：信息容量大但对环境扰动极其敏感。两者各有各的容错阈值和可扩展性路线，目前尚无定论谁将胜出。

协同与前景展望

最聪明的引水工程，从来不是二选一，而是“闸门 + 水渠”的混合系统：水渠承担高密度输运，闸门在关键节点精准控流。量子计算界正在走向同样的结论——混合量子架构。连续变量模块负责光互联、高密度编码和与经典光网络的天然接口；离散变量模块负责高保真度的逻辑运算和成熟的纠错保护；两者之间通过 GKP 态等“接口”互相转换。任何一种测量方案都必须满足概率守恒——所有可能结果出现的概率加起来必须等于 1：

在光子AI计算领域，连续变量的优势格外突出：光学神经网络天然以连续光信号为输入，高斯态的线性光学操作可以高速低能耗地完成矩阵乘法，这与 AI 计算的核心需求不谋而合。当然，大河工程还面临三个硬骨头：光学损耗难消除、非线性相互作用太弱、非高斯资源（如光子数测量、GKP 态）制备门槛高。这些工程挑战正是未来十年量子计算领域最激动人心的攻坚方向——谁先打通“闸门与水渠”的接口，谁就掌握了新一代计算的钥匙。

AI 应用场景

Python 演示

import numpy as np  class GaussianState:    """Gaussian state of continuous-variable quantum optics.     连续变量量子态的高斯描述: 均值向量 + 协方差矩阵.    """     def __init__(self, modes=1):        self.modes = modes        self.mean = np.zeros(2 * modes)  # [x0, p0, x1, p1, ...]        self.cov = np.eye(2 * modes)     # 真空态协方差=单位阵     def displacement(self, alpha):        """位移门 D(alpha): 改变位置和动量的平均值."""        self.mean[0] += np.sqrt(2) * alpha.real        self.mean[1] += np.sqrt(2) * alpha.imag     def squeeze(self, r, phi=0.0):        """压缩门 S(r, phi): 对第0个模式做压缩."""        S = np.array([[np.exp(-r), 0.0], [0.0, np.exp(r)]])        if phi != 0.0:            rot = np.array([[np.cos(phi), -np.sin(phi)],                            [np.sin(phi), np.cos(phi)]])            S = rot @ S @ rot.T        self.mean[0:2] = S @ self.mean[0:2]        self.cov[0:2, 0:2] = S @ self.cov[0:2, 0:2] @ S.T     def homodyne_x(self, trials=10000):        """零差探测: 模拟测量位置分量 x 的多次实验."""        std = np.sqrt(self.cov[0, 0])        return self.mean[0] + std * np.random.randn(trials)  def main():    q = GaussianState(1)    q.squeeze(r=0.8, phi=0.3)          # 先压缩    q.displacement(complex(1.2, -0.4)) # 再位移    samples = q.homodyne_x(20000)      # 零差测量    mean_x = samples.mean()    var_x = samples.var()    print(f"x samples: mean={mean_x:.3f}, var={var_x:.3f}")    print(f"vacuum var=0.500, squeezed x var={var_x:.3f}")  if __name__ == "__main__":    main()

1. self.mean = np.zeros(2 * modes)均值向量的前半是位置、后半是动量，像河流的“水位”和“流速”的期望值。
2. self.cov = np.eye(2 * modes)协方差矩阵描述高斯态的涨落，真空态的协方差是单位矩阵。
3. self.mean[0] += np.sqrt(2) * alpha.real位移门把位置均值抬高 $\sqrt{2}\alpha$，相当于提升河面水位。
4. S = rot @ S @ rot.T当压缩方向 $\phi$ 非零时，先旋转、再压缩、再旋转回来，像把收窄段河道摆成任意角度。
5. self.cov[0:2, 0:2] = S @ self.cov[0:2, 0:2] @ S.T协方差矩阵被辛变换共轭更新，这是高斯演化保持量子性（辛结构）的关键。
6. std = np.sqrt(self.cov[0, 0])零差测量的标准差直接取自协方差矩阵的对应元素，这就是“真空噪声”的数值化身。

常见误区

面试题