变分量子算法：NISQ 时代的「实用派」

前情提要：量子计算机靠一串"门"组成线路来干活，而量子态本身极其娇贵，一点噪声就能让它垮掉，得靠纠错去保护——可真正能大规模纠错的机器，还远在天边。这篇就聊聊那个有点尴尬却很现实的命题：在"远未完美"的含噪硬件上，人们怎么先让量子算出点有用的事？

一个尴尬的现实

理想中的量子计算机，应该像一个完全安静、零失误的精密实验室：你下指令，它精确执行，结果分毫不差。可现实里今天所有的量子机器都泡在噪声中——温度抖动、电磁干扰、比特之间串扰，随便一个扰动都可能让精心准备的量子态垮掉。

第 11 篇讲过，要扛住这种噪声，得用"拿很多物理比特编出一个逻辑比特"的纠错方案。问题是，编码的代价极其昂贵：想让一个逻辑比特足够可靠，可能需要上千个物理比特来守护它。以今天几十到几百个物理比特的规模，连"编出一个可用的逻辑比特"都勉强，更别说跑大型算法。

那是不是只能干等？很多人起初以为：是的，等容错机造出来再说。但从业者很快发现，等下去太久了，而手上的"吵闹"机器并非完全没用。于是一条务实的路线被推到了台前。

NISQ：吵闹但能干活的中等规模机器

2018 年，物理学家 John Preskill 造了一个词：NISQ，全称是"Noisy Intermediate-Scale Quantum"，中文常译作"含噪中等规模量子"。

拆开看就两层意思：

• 中等规模：指机器拥有几十到几百个物理比特。这个数量不足以做大规模纠错，但也不是一无所有，足够跑一些浅层的线路。
• 含噪：明确承认这些比特是有错误的，没有大规模纠错保护。

NISQ 的核心态度很接地气——别去幻想一台完美的机器，先问一句：就在这堆会犯错的硬件上，有没有什么任务是经典计算机算得不轻松、而量子线路又能啃下来的？

这类任务如果存在，哪怕只比经典方法好一点点、或者只是"未来可期"，都值得现在就去练手。变分量子算法，就是这条思路里最成体系的一支。

混合架构：量子负责猜，经典负责调

变分算法的聪明之处，在于它不硬刚。

它把一个问题拆成两半：难算的那部分交给量子，会优化的那部分交给经典计算机。两者用一根"反馈线"连成一个环，来回迭代。这种结构有个名字叫混合量子-经典架构。

一个好懂的类比：量子线路像一台带很多旋钮的"猜测机器"，经典优化器像站在旁边不断拧旋钮的人。每一轮，经典优化器给定一组旋钮位置（参数），量子机器就按这组参数跑一遍线路、测量出一个结果（比如某个能量值），经典优化器再根据这个结果的"好坏"决定下一轮把旋钮往哪扭，让结果更优。反复多轮，参数越来越好，结果越来越接近目标。

一句话记：量子负责猜，经典负责调。

用一张图把这条反馈环画清楚：

这里的关键是"参数化门"——第 5 篇里我们认识的旋转类门（比如绕某个轴转一定角度的门），角度不是固定的，而是由经典优化器给定的。整条线路因此变成了一个"可被训练"的函数，训练它的人却是经典计算机。

VQE：让量子去算分子的最低能量

变分框架里最有名的应用，叫 VQE（Variational Quantum Eigensolver，变分量子本征求解器）。它要解决的是一个化学和材料学的老问题：一个分子的最低能量是多少？

为什么这个问题重要？因为分子的最低能量决定了它稳不稳定、原子间的距离多长、会发生什么反应。你设计一种电池材料、一种催化剂，第一步往往就是算清楚它的能量。

经典计算机怎么算？把分子的"能量规则"（哈密顿量）写成一个巨大的矩阵，去找这个矩阵的最小本征值。体系稍大一点，矩阵的维度就爆炸，根本存不下也算不动。

VQE 换个办法：

1. 用量子线路准备一个"试探态"——这个态由一组参数控制，参数不同，态就不同。 2. 测量这个态对应的能量期望值。 3. 经典优化器调参数，让测到的能量期望值越来越低。 4. 当参数收敛，测到的能量就逼近分子真正的最低能量。

想象你在山谷里找最低点：量子机器帮你"站"到某个状态上，经典机器帮你判断"这里够不够低"，再推你往更低处挪。两者配合，一步步滑到谷底。分子模拟正是这几年量子计算最被看好的落脚点之一，而 VQE 就是它的主力工具。

QAOA：把优化问题也塞进这套套路

同一套"参数化线路 + 经典优化"的骨架，还能套到另一类问题上——组合优化。

比如：送货怎么选路线最省油？排班怎么安排最省钱？这些"从一堆选项里挑最优组合"的问题，随着规模变大，经典计算机也会算到崩溃。对应这个场景的算法叫 QAOA（Quantum Approximate Optimization Algorithm，量子近似优化算法）。

它的玩法和 VQE 几乎同宗：

• 把"成本"写成一个代价函数；
• 用量子线路去搜索让代价最小的参数组合；
• 经典优化器在旁边不断调参、逼近最优。

区别只在于目标：VQE 找的是分子最低能量，QAOA 找的是某个业务问题的最小成本。本质上一脉相承——这也说明变分思路是个"万能架子"，换个代价函数就能换一个问题。

降温：今天它还没赢过经典计算机

讲到这里，得泼一盆冷水，否则容易变成又一个"量子马上颠覆一切"的标题党。

变分算法有它真实的天花板：

• 线路不能太深。NISQ 机器有噪声，线路每多一层门，错误就多一层积累。太深的线路，有用信号会被噪声淹掉。
• 参数不能太多。参数一多，经典优化器在含噪环境下很容易卡在"局部最优"，或者掉进所谓"贫瘠高原"——一片平坦得看不出往哪走的区域，怎么调都没进展。
• 经典对手很强。在很多实际问题上，仔细调过的经典算法（比如经典张量网络、经典优化器）目前仍能和 NISQ 算法打得有来有回，甚至更稳。对一个几十个比特的分子，经典计算机照样能算。

所以老实说，今天变分量子算法在很多任务上还没真正跑赢经典方法。它的价值不在于"现在就赢"，而在于：在容错机到来之前，先让现有硬件产生一点真实价值，同时把编译器、误差缓解、软件栈这些工程能力提前练熟。

小结

这一篇想说的是，量子计算的实用化并没有在等一台完美的机器。它在今天这些会犯错的硬件上，就已经开始找自己的位置——用"量子负责猜、经典负责调"的混合架构，从分子能量到组合优化，一点点啃真实问题。

下一站，我们把镜头转到另一个被炒得火热的组合词。下一篇《量子机器学习入门：量子 + AI 是噱头还是突破》：你会看到，量子机器学习用"指数级特征空间"的卖点（量子神经网络、量子核方法）去碰 AI，但卡在数据加载瓶颈、样本复杂度，以及"去量子化"——经典算法常能反将一军，所以它多半是和经典打配合，而非单挑经典。