線性代數的量子演算法（quantum algorithms for linear algebra）
解線性系統 A x = b 位居幾乎所有科學計算的核心，在古典電腦上它耗費的工作量隨系統大小增長。一個誘人的問題驅動了一條研究前沿：量子電腦能否利用疊加與糾纏，戲劇性地更快解出這類問題？線性代數的量子演算法就是試圖回答「能」——以及審慎研究那個「能」何時才真正意味著有用之物。
旗艦是 HHL 演算法（Harrow、Hassidim、Lloyd），它在解 A x = b 時宣稱執行時間只隨系統大小 n 的對數增長——在紙面上，相對於古典的約 n^3 是指數級的加速。癥結藏在細則裡，而且是決定性的。演算法並不把解向量 x 交給你。它產生一個「量子態」，在其量子位元的振幅中編碼 x，而量子力學的規則只讓你讀出摘要資訊——譬如一個期望值或 x^T M x——而非逐一讀出 x 的各分量；要抽取全部 n 個數會抹去那個加速。更糟的是，把輸入 b 載入一個量子態、以及執行時間對矩陣條件數 kappa 與稀疏度的依賴，每一項都可能默默吞掉那看似的增益。誠實的加速只適用於一個狹窄的類別：稀疏、良態的系統，且你想要的是答案的全域摘要，而非答案本身。
這之所以重要，是因為線性代數是機器學習、微分方程與最佳化的底層，所以這裡若有真正的量子優勢，會處處激起漣漪。但這個領域要求清醒。當前的量子硬體有雜訊且規模小（NISQ 時代），遠不到能以有用規模運行 HHL；若干早期關於對實用問題有量子加速的主張，後來被巧妙的古典「去量子化」演算法追平；而資料載入與讀出的瓶頸是真實的，不是悲觀。這份前景是真的、數學是美的，但審慎的實踐者把量子線性代數當作一條帶有嚴格細則的長程前沿，而非今日可以伸手取用的求解器。
假設你只需要一個龐大稀疏、良態系統的解中的一個數字——譬如單一個加權平均 x^T M x，而非整個 x。HHL 原則上能以隨 log(n) 增長的時間交出那個純量。但若你要的是完整向量 x、全部 n 個分量，你就必須把輸出態量測 n 次，這又把那個指數級加速直接扔了回去。
HHL 的加速只在你想要 x 的摘要、而非全部 x 時才存活——讀出每個分量會抹去它。
HHL 的對數時間主張帶有厚厚的細則：它回傳一個量子態，而非向量；若你讀出所有分量，或資料載入、條件數、稀疏度的代價介入，加速就消亡。在今日有雜訊的硬體上它是研究前沿，而非實用求解器，且若干宣稱的加速後來被古典方法追平。