想象一所古怪的魔法学校，开学时要考三门课。普通学生考试时只能一题一题地解，时间线只能走一条路；而有些学生天生会“分身术”，一开考就化出几十个虚影，同时尝试不同解法，像武侠高手留下的残影。可规矩很怪：交卷铃一响，所有分身必须合成一个真身，你只能交上一份答案——这份答案对不对，取决于分身们当初是怎么“合体”的。这种分身考生能轻松拿高分的课程，科学上叫 BQP（有界误差量子多项式时间）。它就像量子计算机的“能力分班表”，圈出了量子计算真正的势力范围。本文从复杂度基础讲起，解释量子比特的残影原理，划出BQP的及格线，拆解Shor与Grover两门绝技，理清它与P、NP的分班关系，再谈工程上的体力难题，最后聊聊量子班的毕业去向。读完你会拥有一个通用判断框架：某问题值不值得用量子计算硬磕，先看它在不在BQP这张表里。

岗位关联

学懂BQP，你能一眼分辨“量子优势”新闻里哪些是真突破、哪些是蹭热度，为量子AI项目的选型与落地决策提供理论标尺。

目录
  1. 可视化演示
  2. 计算复杂度基础
  3. 量子计算原理
  4. BQP复杂度类
  5. 关键量子算法
  6. 与经典类关系
  7. 工程挑战
  8. 未来应用前景
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示BQP复杂度类定义、与经典复杂度类的包含关系、Shor算法量子加速及量子优势谱系，揭示量子计算能力的边界与潜力。

本节配有交互动效（进入视口后自动加载，约 3KB）。

BQP复杂度类定义 BQP：有界误差量子多项式时间，量子计算机可在多项式时间内解决的判定问题类 有界误差：正确概率≥2/3，通过多次重复可降低误差 BQP = {L : ∃ poly-time quantum circuit, Pr[correct] ≥ 2/3}

计算复杂度基础

想象学校开设了两类课程：口算课和“猜心课”。口算课上，普通学生按顺序一步步算，总能算出结果——这正是经典计算机擅长的 P类问题；猜心课则把标准答案贴在墙上，谁都能对照批改，可要凭空猜中答案却难得要命——这就是“验证容易、求解很难”的 NP类问题。难度不同，考题的“分班”也就不同。

计算机科学家把这种直觉抽象成复杂度类：用输入规模 $n$ 衡量工作量，如果存在确定性算法在多项式时间 $n^k$ 内解决问题，就归入P；如果一个候选答案能被多项式时间验证，就归入NP。复杂度类不是课程难度表，它划出的是算法能力的硬边界。

更形式地说，P是所有确定性图灵机在多项式步内可判定的语言集合：

有了这张基础分班表，我们才能进一步发问：会分身的魔法考生（量子计算机）究竟比普通学生多出哪些本事？下一节，看看分身术的物理原理。

P=⋃k≥1DTIME(nk)\mathrm{P} = \bigcup_{k \geq 1} \mathrm{DTIME}(n^k)
这个公式的意思是：只要存在某个常数 $k$，让算法能在 $n^k$ 步内跑完，这个问题就进了“普通学霸班”P。
  1. P（确定性多项式时间类）代表所有能被传统计算机（确定性图灵机）在多项式时间内求解的问题。
    P=⋃k≥1DTIME(nk)\mathrm{P} = \bigcup_{k \geq 1} \mathrm{DTIME}(n^k)
  2. DTIME(n^k)运行步数不超过 $c \times n^k$（$c$ 为常数）的确定性算法族。
    DTIME(nk)\mathrm{DTIME}(n^k)
  3. 并集符号 \bigcup_{k \geq 1}把所有可能的次数 $k$ 全部包进来，强调“只要是某个多项式就行”。
    ⋃k≥1\bigcup_{k \geq 1}

量子计算原理

武侠小说里的轻功残影，每个分身都有“清晰度”：有的跟真身一样清楚，有的模模糊糊；真身一收功，所有残影瞬间消散，只留一个实体状态。量子比特就像这样一团“概率残影”——它不只有一个确定取值，而是同时“站”在好几种姿势上。

数学上，这团残影可以写成叠加态：

其中 $|0\rangle$ 和 $|1\rangle$ 是两种基准“站姿”，$\alpha$、$\beta$ 是复数振幅，刻画每个分身的清晰度与相位。

残影分身看似能“并行处理所有答案”，但测量那一刻会强制坍缩成一个结果。这种诡异规则既是量子计算的魅力所在，也是BQP一切魔法的根基——下一节就给这套分身术正式立规矩。

∣ψ⟩=α∣0⟩+β∣1⟩,∣α∣2+∣β∣2=1|\psi\rangle = \alpha |0\rangle + \beta |1\rangle, \qquad |\alpha|^2 + |\beta|^2 = 1
公式表达了一条铁律：所有分身“清晰度平方”加起来必须等于1，这正是波恩规则给出的总概率归一化条件。
  1. 量子态 |\psi\rangle一个量子比特所处的完整状态，不再是非0即1，而是一团叠加的残影。
    ∣ψ⟩|\psi\rangle
  2. 基态 |0\rangle 与 |1\rangle信息的最小单元，相当于残影的两种标准站姿。
    ∣0⟩,∣1⟩|0\rangle, |1\rangle
  3. 振幅 \alpha 与 \beta复数权重，决定了每个分身的“清晰度”与相对相位。
    α,β∈C\alpha, \beta \in \mathbb{C}
  4. 归一化条件测量时看到 $|0\rangle$ 的概率是 $|\alpha|^2$，看到 $|1\rangle$ 的概率是 $|\beta|^2$，两者之和必须为1。
    ∣α∣2+∣β∣2=1|\alpha|^2 + |\beta|^2 = 1

BQP复杂度类

魔法学校终于给分身考生立了考试规则：允许你交错几道题，但只要正确率不低于三分之二，这门课就算及格。为什么偏偏是 $2/3$？因为考不好可以补考——多考几次、取多数投票，及格率能指数级逼近100%。

这个规则对应的复杂度类，就是 BQP（Bounded-error Quantum Polynomial time，有界误差量子多项式时间）：存在一台量子图灵机（即量子算法），对输入长度 $n$，在多项式时间内运行，并以不低于 $2/3$ 的概率输出正确答案。它的正式定义写成两个不等式：

及格线划好之后，BQP就不再是模糊的口号，而是一个有严格概率边界的复杂度类。它比经典概率类BPP更宽松，也比P更宽广，但绝不是“所有题目都能秒解”的万能班。

∀x∈L:Pr⁡[M(x)=1]≥23,∀x∉L:Pr⁡[M(x)=1]≤13\forall x \in L: \Pr[M(x)=1] \geq \frac{2}{3}, \qquad \forall x \notin L: \Pr[M(x)=1] \leq \frac{1}{3}
属于语言 $L$ 的问题，量子机接受的概率至少 $2/3$；不属于的问题，接受的至多 $1/3$。两者之间的 $1/3$ 间隙，就是反复运行取多数投票时用来“扳回局面”的安全距离。
  1. 语言 L一个判定问题对应“答案为是”的输入集合，数学上叫语言。
    LL
  2. 量子图灵机 M抽象的理想量子计算机，运行多项式个量子门后给出0或1。
    M(x)M(x)
  3. 接受概率 \geq 2/3对属于 $L$ 的输入，算法以不小于 $2/3$ 概率回答“是”。
    Pr⁡[M(x)=1]≥23\Pr[M(x)=1] \geq \frac{2}{3}
  4. 拒绝概率 \leq 1/3对不属于 $L$ 的输入，算法回答“是”的概率至多 $1/3$；两个不等式相隔 $1/3$，可通过重复运行把误差压到指数小。
    Pr⁡[M(x)=1]≤13\Pr[M(x)=1] \leq \frac{1}{3}

关键量子算法

量子班有两门“镇班绝技”。第一门是破锁功（Shor算法）：给一个千位数，普通考生长年累月试因子也分解不动——RSA密码就是把保险柜锁在这种大数分解上；而Shor算法能在多项式时间里撬开锁，靠的是量子傅里叶变换和相位估计。第二门是捞针功（Grover算法）：图书馆里有几十万本书，你只知道目标书长什么样，格罗弗算法只需翻 $\sqrt{N}$ 次就能找到。

这两门绝技的复杂度分别写成：

有了这两门绝技，BQP不再是空架子——它确实能解决一些经典计算机搞不定的实际问题。那么，量子班和经典班的“分班名次”到底如何？下一节公布成绩单。

TGrover=O(N),TShor=O((log⁡N)2(log⁡log⁡N))T_{\mathrm{Grover}} = O(\sqrt{N}), \qquad T_{\mathrm{Shor}} = O\big((\log N)^2 (\log\log N)\big)
Grover把无序搜索从 $O(N)$ 降到 $O(\sqrt{N})$；Shor把大数分解从指数级降到多项式级，直接动摇了RSA加密的根基。
  1. Grover 复杂度 O(\sqrt{N})在 $N$ 个无序元素中找目标，量子询问次数是 $\sqrt{N}$ 量级。
    TGrover=O(N)T_{\mathrm{Grover}} = O(\sqrt{N})
  2. Shor 复杂度分解 $N$ 位大数只需 $(\log N)^2(\log\log N)$ 个量子门，相比经典指数级算法是质的飞跃。
    TShor=O((log⁡N)2(log⁡log⁡N))T_{\mathrm{Shor}} = O\big((\log N)^2 (\log\log N)\big)
  3. 两者的共同底座量子傅里叶变换与相位估计，负责把周期信息“读”出来。
    QFT=1N∑x=0N−1e2πixk/N∣k⟩\mathrm{QFT} = \frac{1}{\sqrt{N}} \sum_{x=0}^{N-1} e^{2\pi i xk/N} |k\rangle

与经典类关系

开学典礼上贴出了年级分班表：每个普通优等生都能进量子班，所以 P 包含于 BQP；量子班学生能力再夸张，也不可能超过“全知全能的宇宙级记忆班级”PSPACE，所以 BQP 包含于 PSPACE。这两条包含关系已经在数学上严格证明。

但最关键的悬念是：量子班和“猜心班”NP到底谁更强？目前既没有证明 $NP \subseteq BQP$，也没有证明两者不相交；绝大多数研究者怀疑NP-complete并不在BQP内，因为连Grover搜索对它们也只有平方级加速，指数规模依然望尘莫及。

目前已知的包含关系可以写成一条链：

分班表一贴，量子计算的优势边界就清楚了：它确实比经典班多出不少地盘，但远没到“吞并一切”的程度。理论上的地盘既然有限，工程上能不能真正拿下这些地盘？那就是下一节的体力问题了。

P⊆BQP⊆PSPACE,BPP⊆BQP\mathrm{P} \subseteq \mathrm{BQP} \subseteq \mathrm{PSPACE}, \qquad \mathrm{BPP} \subseteq \mathrm{BQP}
这串式子就是可视化动画里三个圆圈的由来：绿色的P完整躺在蓝色BQP里，BQP又完整躺在灰色PSPACE里，而NP与BQP的关系至今仍在“待定区”。
  1. P \subseteq BQP经典多项式算法可以逐门翻译成量子算法，因此P的所有都能被量子机在多项式时间内求解。
    P⊆BQP\mathrm{P} \subseteq \mathrm{BQP}
  2. BQP \subseteq PSPACE量子计算可以枚举所有计算路径，用多项式空间模拟，所以不会超出PSPACE。
    BQP⊆PSPACE\mathrm{BQP} \subseteq \mathrm{PSPACE}
  3. BPP \subseteq BQP经典随机化算法也能被量子算法模拟，量子班继承了经典概率班的家底。
    BPP⊆BQP\mathrm{BPP} \subseteq \mathrm{BQP}

工程挑战

分身术极其耗神：环境一干扰，分身们就“走神”，概率残影乱成一团——这被称为量子退相干。物理学家造出几十个量子比特不难，难的是让它们齐心协力坚持到算法结束。退相干时间太短，理论课上漂亮的分班表就只是纸上谈兵。

对策是量子纠错：用多个物理量子比特编码一个逻辑量子比特，像开小组会投票，少数跑偏的会被纠正。但投票机制要生效，单个操作的错误率必须低于一个关键门槛——容错阈值，典型估计约为 $10^{-4}$（万分之一）：

理论课上的BQP优势，只有跨过这道工程门槛才真正兑现。这也是“量子霸权”之争的实质：不是验证量子力学，而是证明容错量子计算能在现实世界站稳脚跟。跨过门槛之后，量子班的毕业生们该去哪儿上班？

p<pth≈10−4p < p_{\mathrm{th}} \approx 10^{-4}
只有物理错误率低于这个阈值，纠错码才能通过层叠编码把有效错误率压到任意低；一旦高于阈值，越纠越错，投票就成了吵架。
  1. 单门错误率 p每个量子门操作出错的实际概率。
    pp
  2. 容错阈值 p_{\mathrm{th}}量子纠错能够正常工作的临界错误率，约万分之一。
    pth≈10−4p_{\mathrm{th}} \approx 10^{-4}
  3. 阈值定理当 $p < p_{\mathrm{th}}$ 时，可通过递归编码让有效逻辑错误率指数下降。
    peff→0,当 p<pthp_{\mathrm{eff}} \to 0, \quad \text{当 } p < p_{\mathrm{th}}

未来应用前景

量子班毕业生有三条热门出路。第一条是信息安全：用Shor算法评估旧密码系统风险，推动后量子密码迁移；第二条是生物制药：用量子模拟器直接计算分子能级，比经典超算模拟指数级更省力；第三条是量子AI：量子版的机器学习和优化算法，有望在特定训练任务上显著提速。

经典计算机模拟 $n$ 个量子粒子，需要记录 $2^n$ 个概率幅，成本指数爆炸；量子计算机直接操控量子态本身，只需多项式资源：

BQP不是万能钥匙：旅行商等NP-hard问题它仍无能为力。但只要一个问题落入BQP家族，量子计算就值得押注。下次看到“量子碾压经典”的新闻，不妨拿出这张分班表，冷静地问一句：那个问题，真的在BQP里吗？

2n (经典资源)vspoly(n) (量子资源)2^n \ (\text{经典资源}) \quad \text{vs} \quad \mathrm{poly}(n) \ (\text{量子资源})
粒子数越多，两者差距越悬殊：模拟30个粒子，经典需要10亿维状态；量子模拟器却只增加几个量子比特。这正是量子模拟的核心优势。
  1. 经典代价 2^n状态空间随粒子数指数膨胀，超算也扛不住。
    2n2^n
  2. 量子代价 poly(n)量子模拟器直接制备并演化对应量子态，资源是多项式的。
    poly(n)\mathrm{poly}(n)
  3. 差距的本质复杂度类从指数级跳到多项式级，正是BQP家族成员的核心收益。
    O(2n)→O(poly(n))O(2^n) \to O(\mathrm{poly}(n))

AI 应用场景

量子AI模型训练加速

阶段：模型训练与优化

解决的问题：经典机器学习中，梯度估计、采样、矩阵求逆等子任务会随数据规模指数膨胀。量子算法可对落入BQP的子任务（如量子线性代数、振幅估计）提供多项式级加速，从而降低训练成本。

具体案例：某量子初创公司与药企合作，用量子增强的生成模型生成候选分子。其中的吉布斯采样环节改用量子振幅估计，候选分子的筛选周期从数周压缩到数天（概念验证阶段）。

后量子密码迁移

阶段：系统安全与合规

解决的问题：Shor算法威胁RSA/ECC公钥体系，一旦容错量子计算机建成，现有加密系统可被批量破解。安全团队需要评估密钥风险，并提前迁移到抗量子的格基密码。

具体案例：大型银行密码团队用Shor算法复杂度模型测算当前RSA-2048密钥的理论破解时间，制定三年迁移计划，优先保护证书签发与交易签名模块。

量子分子模拟

阶段：科学计算与数据生成

解决的问题：经典模拟 $n$ 电子分子需 $2^n$ 维状态空间，成本指数爆炸；量子模拟器直接在量子态上演化，资源仅为多项式级，能够预测材料与药物的量子性质。

具体案例：材料科研团队在含噪量子处理器上模拟小分子基态能量，再结合经典优化修正误差，为锂电池电解液材料筛选出三种候选结构。

Python 演示

python34 行
import math  def grover_oracle(amplitude, target):    amplitude[target] = -amplitude[target]  def grover_diffusion(amplitude):    N = len(amplitude)    avg = sum(amplitude) / N    for i in range(N):        amplitude[i] = 2 * avg - amplitude[i]  def grover_search(n, target):    N = 1 << n    rounds = int(math.pi / 4 * math.sqrt(N))    amplitude = [1.0 / math.sqrt(N)] * N    for _ in range(rounds):        grover_oracle(amplitude, target)        grover_diffusion(amplitude)    prob = amplitude[target] ** 2    return target, prob, rounds  if __name__ == "__main__":    n = 8    target = 42    found, prob, rounds = grover_search(n, target)    N = 1 << n    print("目标索引: %d" % found)    print("量子查询轮数: %d" % rounds)    print("经典暴力查询: %d" % N)    print("找到目标概率: %.4f" % prob)
目的：用纯Python模拟格罗弗搜索的振幅放大过程，直观展示量子算法如何用约 $\pi\sqrt{N}/4$ 轮查询，以接近1的概率找到无序数据库中的目标元素。
  1. rounds = int(math.pi / 4 * math.sqrt(N))按理论公式计算最优迭代轮数，只需约12轮就能搜索256个元素。
  2. amplitude = [1.0 / math.sqrt(N)] * N构造均匀叠加态，每个状态分到相等的振幅。
  3. grover_oracle(amplitude, target)相位翻转：把目标状态的振幅取反，相当于“标记”出要找的答案。
  4. grover_diffusion(amplitude)对平均值翻转：让目标振幅变大、其他振幅变小，完成一轮振幅放大。
  5. prob = amplitude[target] ** 2测量时看到目标状态的概率；迭代约12轮后可达99%以上，而经典暴力搜索平均需要128次尝试。

常见误区

误区量子叠加态包含了所有可能的答案，所以给它任何问题都能瞬间穷举出最优解，BQP就是“万能解题器”。

正解BQP只覆盖“存在量子多项式算法”的问题。旅行商、图着色等NP-hard问题在BQP内没有已知高效算法。叠加带来的不是免费并行——测量坍缩只能得到一个结果，必须靠干涉巧妙放大正确答案的概率，否则和瞎猜无异。

为何常见：科幻作品和商业宣传常把“指数级并行”夸大为“全能计算”，忽略了测量坍缩这一物理限制。

误区BQP圈这么大，NP肯定被它包含；以后所有NP-complete问题量子计算机都能秒解。

正解BQP是否包含NP是著名的开放问题，学界普遍怀疑NP-complete不在BQP内。Grover对NP搜索只能带来平方级加速，面对指数规模的搜索空间依然是杯水车薪。

为何常见：混淆了“未证明”与“已经成立”，看到包含关系图里BQP很大，就以为它吞下了一切。

误区量子比特同时表示000、001、010……就像无数个CPU在并行运行，结果自然更快。

正解经典并行能把各线程结果显式汇总；量子叠加在测量时坍缩为单一结果，除非通过干涉把概率集中到目标态，否则得不到“所有答案”。量子算法的核心是编排干涉图案，而不是单纯堆并行度。

为何常见：用经典CPU的直觉理解量子态，忽视了“测量即坍缩”的关键差异。

误区BQP是纯数学定义，退相干是工程问题，跟复杂度类一点关系都没有。

正解BQP的定义隐含假设量子计算机能容错执行。实际设备错误率若高于容错阈值，理论上的复杂度优势根本无法兑现。可扩展容错本身就是BQP物理实现的前提，二者无法割裂。

为何常见：把计算模型与物理实现粗暴分割，忽略了复杂度类背后对计算设备的基本假设。

误区实现量子霸权之后，经典计算机就该进博物馆了。

正解量子霸权（更准确的说法是量子优势）指在某个特定任务上超越经典超算，如随机线路采样；这类任务往往不在实用BQP范围内。实际路线是量子-经典混合：量子负责BQP子任务，经典负责其余部分。

为何常见：“霸权”一词望文生义，让人误以为量子计算会全面取代经典计算。

面试题

Q1. 复杂度类 BQP 中的“QP”指的是什么？

单选题 · easy

  • A.Quantum Polynomial（量子多项式）← 正确答案
  • B.Quick Parallel（快速并行）
  • C.Query Problem（查询问题）
  • D.Quantized Path（量化路径）

答案：A。BQP 全称是 Bounded-error Quantum Polynomial time，QP 即量子多项式时间。B 把量子误当“快速”，C 混淆了查询模型，D 是随造术语，均不成立。

Q2. 下列哪个量子算法能把无序搜索的复杂度从 O(N) 优化为 O(√N)？

单选题 · mid

  • A.Shor 质因数分解算法
  • B.Grover 搜索算法← 正确答案
  • C.Simon 周期查询算法
  • D.HHL 线性系统算法

答案：B。Grover 算法通过振幅放大将 N 个无序元素的搜索降到 O(√N)。Shor 解决大数分解，Simon 解决对合函数的周期查询，HHL 解线性方程组，三者目标不同。

Q3. 关于经典复杂度类 P 与 NP 的关系，以下说法正确的是？

单选题 · easy

  • A.P 与 NP 已被证明完全相等
  • B.P 与 NP 已被证明并不相等
  • C.P 包含于 NP，P=NP 尚未证实← 正确答案
  • D.NP 包含于 P，且必然成立

答案：C。P⊆NP 是显然的（能秒解必能秒验证），但 P 是否等于 NP 仍是千禧年难题。A、B 把未证明的结论当成定论，D 把包含方向完全弄反了。

Q4. 量子比特经过测量后会发生什么？

单选题 · mid

  • A.测量是确定性的且不改变状态
  • B.按概率坍缩到某个基态← 正确答案
  • C.同时输出所有振幅结果
  • D.测量后仍保持原叠加态

答案：B。测量以 |α|²的概率把量子态坍缩到 |0⟩，以 |β|²的概率坍缩到 |1⟩。测量是概率性的、破坏性的，一次只能得到一个结果，不可能同时输出全部振幅。

Q5. 已知 P ⊆ BQP ⊆ PSPACE，但目前不能确定的是？

单选题 · hard

  • A.P 是否包含于 BQP
  • B.BQP 是否包含于 PSPACE
  • C.NP 是否包含于 BQP← 正确答案
  • D.P 是否包含于 PSPACE

答案：C。P⊆BQP、BQP⊆PSPACE、P⊆PSPACE 均已证明。NP 是否包含于 BQP 是开放问题，主流观点怀疑不成立，因此选 C。

Q6. 关于 BQP 复杂度类，下列说法正确的有？

多选题 · mid

  • A.允许答案存在一定概率出错← 正确答案
  • B.要求算法在多项式时间内运行← 正确答案
  • C.必然包含全部 NP 难题
  • D.是经典概率类 BPP 的量子扩展← 正确答案

答案：ABD。BQP 允许 ≤1/3 的错误率，并要求量子算法在多项式时间内结束，因此 A、B 正确。它是 BPP 的量子类比，D 正确。NP 是否包含于 BQP 未证明，C 错误。

Q7. 量子叠加态表达式中，哪个条件必须满足？

单选题 · easy

  • A.两个振幅之和必须等于一
  • B.振幅模平方之和必须等于一← 正确答案
  • C.两个振幅必须完全相同
  • D.复数振幅实部必须为零

答案：B。归一化条件要求 |α|²+|β|²=1，因为测量到两个基态的总概率必须为 1。A 错在“模平方之和”而非“振幅之和”，C、D 纯属编造。

Q8. 容错量子计算中，量子纠错的核心手段是什么？

单选题 · mid

  • A.用强力物理隔离环境噪声
  • B.冗余编码与集体投票纠错← 正确答案
  • C.反复运行算法并取多数结果
  • D.大量增加量子比特做并行

答案：B。量子纠错把一个逻辑量子比特编码到多个物理比特上，通过稳定子测量发现并纠正错误，本质是冗余编码加投票纠错。A 属于降噪而非纠错，C 是计算级容错，D 只是扩大规模。

Q9. 下列哪些技术是 Shor 算法高效分解大数的关键组成？

多选题 · hard

  • A.量子傅里叶变换← 正确答案
  • B.相位估计技术← 正确答案
  • C.格罗弗振幅放大
  • D.经典模幂运算预处理← 正确答案

答案：ABD。Shor 算法先用经典模幂构造周期函数，再用量子傅里叶变换与相位估计读出周期，最后用连分数求因子。格罗弗振幅放大是搜索算法的手段，与周期查找无关。

Q10. 关于量子退相干与容错，下列说法正确的有？

多选题 · extreme

  • A.退相干使纯量子态演化为混合态← 正确答案
  • B.容错阈值要求物理错误率低于约万分之一← 正确答案
  • C.退相干不影响 BQP 复杂度类定义
  • D.低于容错阈值时纠错可任意压制错误← 正确答案

答案：ABD。退相干导致量子系统与环境纠缠，纯态变混合态，A 正确。容错阈值典型约 10⁻⁴，B 正确。阈值定理保证低于阈值时可通过递归编码任意压制错误，D 正确。BQP 定义隐含容错执行假设，因此 C 错误。