ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价
ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价

所有课程

量子计算入门
章节 1: 从比特到量子比特
经典计算的局限性
定义量子比特
狄拉克符号基础
布洛赫球表示法
Python 环境搭建实践
章节 2: 量子力学中的线性代数
量子态中的复数
向量与状态空间
内积与外积
酉矩阵与操作
特征值与特征向量
Numpy 量子数学实践
章节 3: 单比特门与叠加态
叠加态的概念
泡利门 X、Y 和 Z
Hadamard 门
相位门与旋转
测量与塌缩
单比特量子线路实践
章节 4: 多量子比特与纠缠
张量积
CNOT 门
理解量子纠缠
贝尔态
贝尔态构建实践
章节 5: 量子线路入门
阅读量子电路图
不可克隆定理
量子隐形传态逻辑
超密度编码概念
量子隐形传态电路实践

狄拉克符号基础

当你在研究论文或文档中遇到量子算法时,第一个难关通常是符号。量子力学使用一种特定的线性代数简写方式,称为狄拉克符号(Dirac notation),或称为左括-右括符号(bra-ket notation)。对于熟悉 Python 和 NumPy 的人来说,这只是表示向量 (vector)和矩阵运算的一种不同语法。

在经典计算中,我们将比特的状态表示为一个标量值,即 0 或 1。在量子计算中,我们将量子比特的状态表示为一个向量。狄拉克符号提供了一种简洁的方式来书写这些向量,而不必频繁绘制矩阵。

右括向量 (vector) (Ket Vector)

你最常看到的符号是“右括”(ket),写作一条垂直线,后跟一个标签和一个角括号:∣v⟩|v\rangle∣v⟩。

在线性代数中,右括向量代表一个列向量。括号内的标签充当变量名,用于标识状态。当我们讨论量子比特的标准状态时,使用标签“0”和“1”。这些被称为计算基态。

在数学上,状态 ∣0⟩|0\rangle∣0⟩ 对应于经典比特 0,而 ∣1⟩|1\rangle∣1⟩ 对应于经典比特 1。然而,它们被定义为单位长度的正交列向量:

∣0⟩=[10]|0\rangle = \begin{bmatrix} 1 \\ 0 \end{bmatrix}∣0⟩=[10​]

∣1⟩=[01]|1\rangle = \begin{bmatrix} 0 \\ 1 \end{bmatrix}∣1⟩=[01​]

这种区别非常重要。在 Python 代码中,0 是一个整数,但 ∣0⟩|0\rangle∣0⟩ 是一个形状为 (2, 1) 的 NumPy 数组。

将狄拉克符号映射到其底层的列向量结构。

左括向量 (vector) (Bra Vector)

与右括向量对应的是“左括”(bra),写作 ⟨v∣\langle v|⟨v∣。如果右括是列向量,那么左括就是行向量。

具体来说,左括是右括的共轭转置(或埃尔米特共轭)。要将右括转换为左括,你需要转置矩阵(交换行和列)并取每个元素的复共轭。

如果我们有一个由复数 α\alphaα 和 β\betaβ 表示的一般状态 ∣ψ⟩|\psi\rangle∣ψ⟩:

∣ψ⟩=[αβ]|\psi\rangle = \begin{bmatrix} \alpha \\ \beta \end{bmatrix}∣ψ⟩=[αβ​]

那么对应的左括 ⟨ψ∣\langle \psi |⟨ψ∣ 为:

⟨ψ∣=∣ψ⟩†=[α∗β∗]\langle \psi | = |\psi\rangle^\dagger = \begin{bmatrix} \alpha^* & \beta^* \end{bmatrix}⟨ψ∣=∣ψ⟩†=[α∗​β∗​]

这里,†\dagger† 符号(剑号)表示共轭转置操作,而 ∗*∗ 表示复共轭。由于基向量 ∣0⟩|0\rangle∣0⟩ 和 ∣1⟩|1\rangle∣1⟩ 通常只包含实数(0 和 1),复共轭操作不会改变数值,只会将方向从列变为行。

⟨0∣=[10]\langle 0 | = \begin{bmatrix} 1 & 0 \end{bmatrix}⟨0∣=[1​0​]

⟨1∣=[01]\langle 1 | = \begin{bmatrix} 0 & 1 \end{bmatrix}⟨1∣=[0​1​]

内积

“bra”和“ket”的名字来源于单词“bracket”(括号)。当你把它们放在一起时,⟨a∣b⟩\langle a | b \rangle⟨a∣b⟩,就形成了一个完整的括号。这个操作代表两个向量 (vector)的内积(或点积)。

在机器学习 (machine learning)中,点积计算一个向量在另一个向量上的投影。在量子力学中,我们使用内积来计算概率并确定两个状态的重叠程度。

计算遵循标准矩阵乘法规则:行向量 (1×21 \times 21×2) 乘以列向量 (2×12 \times 12×1) 得到一个标量 (1×11 \times 11×1)。

例如,计算 ∣0⟩|0\rangle∣0⟩ 与自身的内积:

⟨0∣0⟩=[10][10]=(1)(1)+(0)(0)=1\langle 0 | 0 \rangle = \begin{bmatrix} 1 & 0 \end{bmatrix} \begin{bmatrix} 1 \\ 0 \end{bmatrix} = (1)(1) + (0)(0) = 1⟨0∣0⟩=[1​0​][10​]=(1)(1)+(0)(0)=1

结果为 1。这表明该状态已归一化 (normalization)。

如果我们计算 ∣0⟩|0\rangle∣0⟩ 和 ∣1⟩|1\rangle∣1⟩ 的内积:

⟨0∣1⟩=[10][01]=(1)(0)+(0)(1)=0\langle 0 | 1 \rangle = \begin{bmatrix} 1 & 0 \end{bmatrix} \begin{bmatrix} 0 \\ 1 \end{bmatrix} = (1)(0) + (0)(1) = 0⟨0∣1⟩=[1​0​][01​]=(1)(0)+(0)(1)=0

结果为 0。这证实了这些状态是正交的,意味着它们是互斥的结果,可以完全区分开来。

外积

内积产生标量,而外积则产生矩阵(算符)。这写作 ∣a⟩⟨b∣|a\rangle\langle b|∣a⟩⟨b∣。注意顺序:右括(列)在前,左括(行)在后。

将 2×12 \times 12×1 向量 (vector)乘以 1×21 \times 21×2 向量会得到一个 2×22 \times 22×2 矩阵。这一操作是定义量子门和密度矩阵的基础。

例如,外积 ∣0⟩⟨0∣|0\rangle\langle 0|∣0⟩⟨0∣ 充当投影算符:

∣0⟩⟨0∣=[10][10]=[1⋅11⋅00⋅10⋅0]=[1000]|0\rangle\langle 0| = \begin{bmatrix} 1 \\ 0 \end{bmatrix} \begin{bmatrix} 1 & 0 \end{bmatrix} = \begin{bmatrix} 1 \cdot 1 & 1 \cdot 0 \\ 0 \cdot 1 & 0 \cdot 0 \end{bmatrix} = \begin{bmatrix} 1 & 0 \\ 0 & 0 \end{bmatrix}∣0⟩⟨0∣=[10​][1​0​]=[1⋅10⋅1​1⋅00⋅0​]=[10​00​]

我们将在第 2 章定义幺正矩阵和量子算符时大量使用外积。

Python 实现参考

为了将其与日常工作流联系起来,请考虑这些符号如何映射到 NumPy 操作。当你稍后在本章搭建环境时,你将编写反映这些数学对象的代码。

  • 右括 (Ket): psi = np.array([[alpha], [beta]])
  • 左括 (Bra): psi_dagger = psi.conj().T
  • 内积 (⟨ϕ∣ψ⟩\langle \phi | \psi \rangle⟨ϕ∣ψ⟩): np.dot(phi_dagger, psi)
  • 外积 (∣ψ⟩⟨ϕ∣| \psi \rangle \langle \phi |∣ψ⟩⟨ϕ∣): np.dot(psi, phi_dagger)

理解这些底层的线性代数结构有助于你有效地调试量子电路。虽然像 Qiskit 或 Cirq 这样的框架抽象掉了向量 (vector)数学,但系统的行为完全由这些矩阵运算决定。

© 2026 ApX Machine Learning