Амплитудная оценка (Amplitude Estimation)

Амплитудная оценка (Amplitude Estimation, AE) — фундаментальный квантовый алгоритм, предложенный Жилем Брассаром, Питером Хойером и Аленом Таппом в 2000 году. Алгоритм обобщает идею алгоритма Гровера, позволяя не только найти целевое состояние, но и точно оценить амплитуду его появления. Это обеспечивает квадратичное ускорение по сравнению с классическими статистическими методами оценки вероятности, такими как метод Монте-Карло.

Математическая механика алгоритма основана на применении оператора квантового оракула и оператора отражения (Grover operator) к начальному состоянию. Ключевая идея заключается в том, что амплитуда целевого состояния связана с собственным значением этого составного оператора. Применяя квантовое преобразование Фурье (QFT) или его приближённые версии к регистру, в котором закодировано число применений оператора Гровера, можно извлечь оценку этой амплитуды. Точность оценки обратно пропорциональна числу использованных кубитов в регистре фазы, а не числу запросов к оракулу, что и даёт квадратичное ускорение.

Практическое применение амплитудной оценки выходит за рамки абстрактной задачи оценки вероятности. Алгоритм служит ключевым подпрограммным блоком для ускорения широкого класса вычислений. В финансовой математике он используется для оценки рисков и ценообразования производных инструментов с большей скоростью. В комбинаторной оптимизации, как показано в работе arXiv:2604.02027v1, AE комбинируется с алгоритмами поиска минимума для решения NP-трудных задач, таких как идентификация подобных подграфов, обеспечивая полиномиальное ускорение относительно полного перебора. В квантовой химии и моделировании материалов алгоритм позволяет эффективно вычислять ожидаемые значения наблюдаемых величин.

Основное ограничение алгоритма — его зависимость от когерентности и глубины квантовой схемы. Требования к числу кубитов и качеству гейтов для реализации точного QFT могут быть высокими для современных NISQ-устройств. Это привело к разработке вариантов алгоритма, устойчивых к шуму, таких как Iterative Amplitude Estimation, которые жертвуют частью теоретического ускорения ради практической реализуемости. Перспективы развития связаны с интеграцией AE в гибридные квантово-классические алгоритмы (VQE, QAOA) и его адаптацией для решения специфических прикладных задач в машинном обучении и анализе больших данных, где требуется быстрая оценка статистических величин.