量子计算应用场景

量子方法

VQE（变分量子本征求解器）使用 Jordan-Wigner 或 Bravyi-Kitaev 映射将分子哈密顿量映射到量子比特上，然后通过变分方法最小化能量以求得基态。即便在估算相关能方面仅取得适度的量子优势，也可能对制药研发产生数十亿美元级别的影响。

量子方法

这一应用场景独具特色：量子威胁驱动了经典层面的应对行动。NIST 已于 2024 年最终确定了 CRYSTALS-Kyber（ML-KEM）和 CRYSTALS-Dilithium（ML-DSA）。开发者需要审计密码基础设施并迁移非对称算法。「先收割、后解密」（Harvest-now-decrypt-later）攻击使这一问题在当下就变得紧迫。

量子方法

QAOA 将优化问题编码为哈密顿量，然后通过变分方法优化电路参数以生成高质量解。在足够的电路深度下，QAOA 会收敛到精确最优解。当前的 NISQ 硬件限制了电路深度；在实际问题规模上，经典求解器仍占主导地位。

量子方法

参数化量子电路充当可训练的模型。量子核在指数级大的希尔伯特空间中计算内积。QNN 使用参数移位规则（parameter-shift rule）梯度结合经典反向传播。关键的未解问题是：是否存在具有内在量子结构、经典 ML 无法高效学习的量子数据？

量子方法

经典 DFT（密度泛函理论）对电子关联进行近似，在处理强关联材料时力不从心。量子相位估计可以计算精确的相关能。固氮（固氮酶中的 FeMo 辅因子）是一个约 50 量子比特的问题，可能成为首个具有商业价值的量子化学优势。

量子方法

经典蒙特卡洛方法在精度 ε 下的复杂度为 O(1/ε²)。量子振幅估计可达到 O(1/ε)——实现二次加速。对于衍生品定价，这意味着可将 10,000 次采样的模拟缩减为约 100 次量子查询。Goldman Sachs、JPMorgan 和 BBVA 正在积极研究这一方向。

量子方法

Trotter 分解将哈密顿量演化映射为量子门。数字-模拟量子模拟利用可调耦合。变分方法（VQE、虚时演化）可模拟基态和激发态。这可以说是当前最成熟、经典竞争最少的近期量子应用。

量子方法

QKD 协议（BB84、E91）将密钥比特编码在量子态（光子偏振）中。任何窃听者都必然会扰动信道，从而暴露其存在。QKD 提供无条件安全性——不依赖于计算难度。商用系统已经存在，但需要专用光纤链路或卫星信道。

量子方法

将蛋白质折叠映射为 QUBO（二次无约束二值优化）问题以供 QAOA 求解。用量子行走进行序列比对。从长远看，量子相位估计可对蛋白质-配体相互作用进行完整的量子力学建模，超越经典力场。

量子方法

QAOA 和量子退火针对车辆路径问题（VRP，即 TSP 的推广）。当前的 NISQ 结果优于随机猜测，但仍不及经典启发式算法。随着纠错量子计算机和更深的 QAOA 电路问世，量子优势可能会在真实世界的路径规划中显现。