HHL：解线性方程组，但读出很贵

科学计算里最常见的动作是解 $Ax=b$ ：结构分析、流体、电路，最后都落成一个线性方程组。HHL 在 2009 年给出一个量子做法，门数只随比特数多项式增长——但它交回来的不是一个能抄进文件的向量，而是一个量子态。

拆开 b，读出 λ，按 1/λ 缩放

假设 A 是厄米的、稀疏的， $|b\rangle$ 已经制备好。先把 $|b\rangle$ 在 A 的本征基里展开： $|b\rangle=\sum_j\beta_j|u_j\rangle$ 。用 $U=e^{iAt}$ 做相位估计，把每个本征值 $\lambda_j$ 写进辅助寄存器；再用一个受控旋转，给这一支的振幅乘上 $C/\lambda_j$ ；最后把相位估计逆回去。三步合起来：

\sum_j\beta_j|u_j\rangle\ \longmapsto\ \sum_j\frac{\beta_j}{\lambda_j}|u_j\rangle\ \propto\ A^{-1}|b\rangle

常数 C 是为了让振幅不超过 1，所以结果只是正比于解，归一化要另算。代价的量级是 $\tilde O(\log N\cdot\kappa^2/\epsilon)$ ：κ 是条件数，描述本征值跨了多少个数量级；ε 是目标精度。κ 越大，相位估计要越细，代价按 κ² 涨；ε 越小，采样与相位读数也要越细。2017 年的改进把对 $1/\epsilon$ 的依赖压到了多项式对数（polylog），但对 κ 的依赖仍然在。

贵的不是算，是读

量子态里确实编码着 N 个振幅，可你只能测量。想要一个期望值 $\langle x|M|x\rangle$ ，重复约 $1/\epsilon^2$ 次就能估到 ε 精度，这时账是划算的；要把每个分量都写成经典数字，就得做层析或大量采样，至少 N 次，优势基本消失。

这就是读出瓶颈：解在振幅里，读出来可能比算更贵。它决定了适用场景——答案是泛函、期望值、判别量，而不是一整条向量。

前提也常被忽略：A 要稀疏或能做成块编码，κ 不能太大， $|b\rangle$ 要能高效制备，你还得知道 $\lVert x\rVert$ 才能把结果归一化。哪一条不满足，加速就没了。所以它不是「量子加速解一切方程」，而是「在特定结构下，估计解的某个性质」。

HHL 用 log N 的时间解出 Ax=b，所以线性代数都能指数加速。

它交回的是量子态，读全部 N 个分量要 N 次量级的测量；只有当你只要一个期望值，且 A 稀疏、κ 小、b 易制备时，优势才真实存在。

「解出来了」和「读得出来」是两件事，HHL 的账要在读出这一步结清。

一句话结论

HHL 用相位估计加受控旋转，把 $A^{-1}b$ 写进振幅：门数对 N 只按 log N 增长，代价则与条件数 κ 的平方挂钩。瓶颈在读出：要完整向量就得付出 N 次量级，指数优势消失。它加速的是「估计解的某个性质」，不是「解一切方程」。