量子算法如何帮我们解方程

本文介绍了一种名为‘量子范式约简’（quantum normal form reduction）的新型量子计算框架，旨在解决符号计算中的核心难题——等式推理（equational reasoning）。等式推理指通过重写规则判断两个表达式是否等价（字问题），或统计某个表达式能生成多少等价形式（计数问题），广泛应用于电路验证、编程语言设计、数据压缩、计算群论、语言学及大分子建模等领域。但经典方法面临严重瓶颈：随着问题规模增大，等价表达式的数量呈指数级增长，导致计算资源迅速耗尽。

本研究的关键突破在于，不再逐个枚举等价表达式，而是利用量子力学原理，将整个等价类（即所有可通过规则相互转换的表达式集合）编码为一个特殊的量子态——‘轨道态’（orbit state）。这个态是所有等价表达式以相等权重叠加而成的量子叠加态。作者构造了一个稀疏的量子哈密顿量（其物理图像为重写系统所定义的图的离散拉普拉斯算子），其基态恰好就是所需的轨道态。通过量子优化技术（如量子退火、虚时间演化等），可在量子设备上高效制备该态。

一旦轨道态被制备出来，许多原本困难的问题就变得简单：
1. **字问题**：只需测量两个轨道态之间的量子保真度（fidelity），结果接近1说明两表达式等价，接近0则不等价；
2. **计数问题**：通过测量特定可观测量的期望值，即可直接得到等价表达式的总数；
3. **过滤与语法等价性检验**：可进一步筛选满足特定条件（如对称性）的子集，或判断两个文法是否生成相同语言。

为验证可行性，作者未使用真实量子硬件，而是采用张量网络（TN）方法在经典计算机上模拟该量子算法。结果显示，对于长度达100的字符串，其等价类规模可达10²⁸，而仅需约1GB内存即可存储对应的轨道态；若用传统列表方式存储，所需内存高达约10¹⁷TB。这不仅证明了算法的强大压缩能力，也催生了一种高效的‘量子启发式’经典算法。文章还分析了轨道态的纠缠结构，发现其纠缠熵随系统尺寸对数增长，这解释了为何张量网络能以多项式资源高效表示它。最后，作者讨论了该框架在量子电路编译、形式语言处理、无损数据压缩等现实场景中的广阔应用前景，并指出其核心思想——用单个量子态压缩表示海量语义等价对象——为未来量子符号计算开辟了新路径。