问题背景
传统的离散傅里叶变换 (DFT) 在处理海量数据时，面临经典的复杂度极限。即便使用快速傅里叶变换 (FFT)，其复杂度仍为 $O(N \log N)$。在数据量呈指数级增长的今天（如高分辨率基因测序、全球卫星气象监测），经典算法逐渐难以满足实时性要求。
量子计算的出现带来了颠覆性的可能。量子傅里叶变换 (QFT) 能够利用量子比特的叠加态与相干性，在对数级时间内完成频率映射。信号处理的量子重构，旨在重新定义从信号采样到频谱分析的底层数学逻辑。
核心理论
1. 量子傅里叶变换 (Quantum Fourier Transform, QFT)
给定一个 $n$ 量子比特的基态 $|j\rangle$，QFT 定义为： $$ |j\rangle \to \frac{1}{\sqrt{N}} \sum_{k=0}^{N-1} e^{2\pi i j k / N} |k\rangle, \quad N = 2^n $$ 相比经典 FFT，QFT 仅需 $O(n^2) = O(\log^2 N)$ 个基础量子门操作。这意味着对于具有 $10^{12}$ 个维度的信号，经典计算需要万亿次操作，而理想量子计算机仅需数百步。
2. 量子相位估算 (Quantum Phase Estimation, QPE)
QPE 是许多量子算法（如 Shor 算法、HHL 算法）的核心。它通过 QFT 的逆变换，将算子 $U$ 的特征值相位信息提取到一组辅助寄存器中： $$ U|\psi\rangle = e^{2\pi i \phi} |\psi\rangle $$ 在信号处理中，这可以被用来精确识别复杂波形中的主谐波频率，其精度随量子比特数 $n$ 分数级提高。
3. 量子采样与幅度放大
不同于奈奎斯特物理采样，量子信号处理通过所谓“量子态制备”将经典矢量映射为量子态幅度： $$ |\psi\rangle = \sum_{i=0}^{N-1} a_i |i\rangle, \quad \sum |a_i|^2 = 1 $$ 随后，利用 Grover 幅度放大算法，可以以 $O(\sqrt{N/M})$ 的效率从强噪声背景中定向探测 $M$ 个特定频谱特征。
图示
图 1：量子傅里叶变换线路图与经典 FFT 复杂度的指数级对比示意图。左侧展示了受控旋转门阵列，右侧通过对数刻度线展示了随着信号维数 $N$ 增加，量子算法相对于经典算法巨大的算力红利空间。
研究前沿与挑战
- NISQ 时代算法稳健性：在当前含有噪声的中规模量子 (NISQ) 硬件上，如何通过变分量子线路 (VQC) 实现抗噪的频谱分析。
- 数据输入瓶颈 (Input/Output Problem)：如何高效地将大规模经典海量数据加载到量子比特中（QRAM 问题），目前这是制约量子信号处理商用的最大技术障碍。
- 量子小波变换 (QWT)：开发能在量子层面实现多分辨率分析的算法，以替代经典图像压缩中的小波编码。
参考延伸
- Nielsen, M. A. & Chuang, I. L. (2010). Quantum Computation and Quantum Information.
- Shor, P. W. (1994). Algorithms for quantum computation: discrete logarithms and factoring.
- Eldar, Y. C. (2002). Quantum signal processing.
- Lomont, J. S. (2004). Quantum Fourier Transform. drug-delivery systems and economic models.