⚛️ quantum physics

Mitigating Errors on Superconducting Quantum Processors through Fuzzy Clustering

本文展示了利用模糊C均值聚类识别测量误差模式的一种量子误差缓解技术的首次原理验证，证明了在无需最先进硬件保真度的情况下，该技术在真实5比特超导处理器上提高了单比特和双比特电路期望值的准确度。

原作者： Halima G. Ahmad, Roberto Schiattarella, Pasquale Mastrovito, Angela Chiatto, Anna Levochkina, Martina Esposito, Domenico Montemurro, Giovanni P. Pepe, Alessandro Bruno, Francesco Tafuri, Autilia Vitie

发布于 2026-06-23

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Halima G. Ahmad, Roberto Schiattarella, Pasquale Mastrovito, Angela Chiatto, Anna Levochkina, Martina Esposito, Domenico Montemurro, Giovanni P. Pepe, Alessandro Bruno, Francesco Tafuri, Autilia Vitiello, Giovanni Acampora, Davide Massarotti

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大局观：修复一台充满噪声的量子计算机

想象你拥有一件非常精细、高科技的乐器（量子计算机），它可以演奏优美且复杂的乐曲（解决难题）。然而，这件乐器目前处于一个非常嘈杂的房间里。每当你试图弹奏一个音符时，风在吹，地板在震动，麦克风还捕捉到了静电噪音。到音乐传到你耳中时，听起来已经变得模糊不清且扭曲变形了。

这就是目前超导量子处理器的状态。它们功能强大，但却充满了“噪声”。误差的产生是因为这些机器过于敏感，甚至测量行为本身也会引入错误。

这篇论文的作者并没有尝试去建造一个更安静的房间（这极其困难且昂贵）。相反，他们发明了一种在事后清理录音的新方法。他们使用了一种叫做**模糊聚类（Focal Clustering）**的数学技巧，来弄清楚噪声究竟是如何干扰音乐的，然后对其进行修正。

问题所在：“混乱”的测量

在一个完美的世界里，如果你告诉量子计算机准备一个特定的状态（比如灯开关处于“开启”状态），它就会保持“开启”。但在现实世界中，当你观察它时，计算机可能会不小心把开关拨到了“关闭”。

类比： 想象你正在给一群朋友拍照。因为相机抖动且光线不好，有时照片会让你的朋友看起来像是戴了顶帽子（即使他并没有），或者让他在皱眉时看起来像是在微笑。
结果： 你得到了一张“有噪声”的照片。你知道你原本想拍什么，但结果却失真了。

解决方案：“模糊”侦探

研究人员使用了一种称为模糊C均值（FCM）聚类的技术。

类比： 想象你是一名侦探，试图弄清楚为什么你朋友的照片总是看起来很奇怪。你拍了100张朋友“微笑”姿势的照片，又拍了100张“皱眉”姿势的照片。
- 有些“微笑”的照片看起来像是在皱眉（这是一个错误）。
- 有些“皱眉”的照片看起来像是在微笑（这也是一个错误）。
- 但大多数照片看起来是正确的。

模糊方法并不仅仅说“这张照片肯定是错误的”，而是说：“这张照片有70%的可能性是微笑，有30%的可能性是皱眉。”它承认误差并非非黑即白，而是一种模糊的状态。

通过分析成千上万张这样的“模糊”照片（数据点），该算法创建了一个误差图谱（称为缓解矩阵）。这张图谱会告诉计算机：“嘿，每当你看到一个看起来像 X 的结果时，它其实有20%的可能性原本应该是 Y。”

一旦拥有了这张图谱，他们就可以将量子计算机产生的原始、多噪的结果通过一个“清洁器”（一个数学滤波器）来获得正确的答案。

他们实际做了什么

团队不仅是在计算机上进行模拟，他们还在一个真实的物理量子芯片（由 QuantWare 制造）上进行了测试。

硬件： 他们使用了一个 5 比特（5-qubit）的超导芯片，但专注于其中的 2 个量子比特（就像测试单个钢琴键以及它旁边的那个键）。
设置： 他们没有使用最昂贵、最完美的设备。他们的芯片性能属于“平均”水平——它不是世界上最好的，并且存在显著的误差（在某些情况下，读取误差约为 20-40%）。这一点很重要，因为它证明了即使在硬件并不完美的情况下，该技术依然有效。
测试： 他们运行了简单的量子电路（比如拨动一个开关，或者同时拨动两个开关）。
- 没有修复前： 结果经常是错误的。
- 使用模糊修复后： 他们将这个“误差图谱”应用到了结果中。

结果：清理信号

论文报告显示，这种方法效果很好，尤其是在处理那些更“混乱”的电路时：

简单电路： 对于简单的任务，结果本身已经相当不错，修复过程带来了小幅提升（准确度提高了约 3–10%）。
复杂电路： 对于涉及两个量子比特协同工作的任务（这类任务的噪声要大得多），提升非常巨大。在某些情况下，他们将准确度提高了 30% 或更多。
“神奇数字”： 他们使用名为“海林格保真度”（Hellinger Fidelity，衡量结果与真相接近程度的分数）的指标来衡量成功。
- 当计算机表现很差时（分数约为 30%），修复效果有限，无法挽救彻底的灾难。
- 当计算机表现尚可时（分数约为 60%），修复将其变成了极佳的结果（分数达到 90% 以上）。

核心结论

论文声称，模糊聚类是清理噪声量子数据的一种强大工具。

它是软件，而非硬件： 你不需要制造更好的机器；你只需要更好的数学方法来处理运行后的数据。
它适用于“不完美”的芯片： 它不需要完美的、最尖端的量子计算机也能发挥作用。它能帮助那些性能较“粗糙”的机器表现得更好。
它很快： 它是在量子实验完成后在常规计算机上进行的，因此不会减慢量子机器本身的运行速度。

简而言之，研究人员展示了即使你的量子计算机有点“醉了”（充满噪声），你也可以使用一种聪明的数学过滤器来帮助它说出真相。

技术摘要：通过模糊聚类缓解超导量子处理器的误差

问题陈述
超导量子硬件的实际应用目前受限于噪声中等规模量子（NISQ）时代的局限性：量子比特数量有限，且控制与读取误差较高。这些误差源于为了进行操控和读取而必须与外部环境进行的有意耦合，以及状态泄漏和交叉耦合。虽然量子纠错（QEC）提供了长期解决方案，但它需要巨大的硬件开销（数千到数十万个物理量子比特），这在目前是难以实现的。因此，量子误差缓解（QEM）技术对于提高当前设备的期望值精度至关重要。现有的 QEM 方法，如零噪声外推（ZNE）或概率误差抵消（PEC），通常需要高昂的采样成本或复杂的参数调整。此外，以往基于模糊 C-均值（FCM）的 QEM 演示仅限于噪声量子模拟器，尚未在真实的 NISQ 硬件上得到验证。

方法论
作者提出并实验验证了一种基于模糊 C-均值（FCM）聚类的 QEM 技术，用于识别并纠正测量误差模式。该工作流包含三个主要步骤：

数据集创建： 将两比特寄存器初始化为所有四种计算基态（ $|00\rangle, |01\rangle, |10\rangle, |11\rangle$ ）。对于每个状态，运行 $t$ 次实验以收集代表读取结果的概率向量。这生成了四个数据集（ $D_i$ ），每个数据集都包含测量概率的实例。
模糊聚类： 将 FCM 算法应用于每个数据集，将概率向量聚类为不同的误差模式。与硬聚类不同，FCM 为每个实例在每个簇中分配一个隶属度。最优簇的数量通过最大化模糊划分系数（ $f_{pc}$ ）来确定。
缓解矩阵构建： 该算法选择“最合适”的概率向量——即那些在模糊划分矩阵中具有最不确定隶属度的向量，这些向量代表了误差模式之间的权衡。利用这些向量构建校准矩阵 $M$ 。随后计算缓解矩阵 $S$ ，即 $M$ 的逆矩阵（ $S = M^{-1}$ ）。该矩阵被经典地应用于噪声计数向量（ $C_{noisy}$ ），以估计理想计数向量（ $C_{ideal} = S \cdot C_{noisy}$ ）。

实验设置
该技术在基于跨子（transmon）量子比特的真实 5 量子比特超导量子处理器（QuantWare Soprano）上进行了验证。实验重点关注由 Q0（低频）和 Q2（中心中频）组成的二维比特子集。

硬件特性： 该设备表现出中等的相干时间（例如，Q0 的 $T_1 \approx 24 \mu s$ ，Q2 的 $T_1 \approx 8 \mu s$ ），且在未使用量子极限放大器或复杂读取技术的情况下，读取保真度在 60% 到 80% 之间。
门性能： 单比特门保真度约为 99.8%（Q0）和 99.43%（Q2）。两比特 CZ 门的保真度约为 89%，低于最先进的基准水平，这提供了一个具有挑战性的测试平台。
电路： 验证涉及 16 个测试电路（4 个初始状态 $\times$ 4 种电路类型），包括单比特门（Hadamard、X、Y 旋转）和两比特门（通过 CZ 构建的 CNOT）。

关键结果
FCM-QEM 技术的性能通过 Hellinger 保真度（$HF$）进行评估，该指标衡量了理想概率分布与实验（缓解后及未缓解）概率分布之间的相似性。

单比特电路： 该技术提供了适度的改进。对于“单比特电路 1”，平均 $HF$ 提升了约 +3%（例如，从 93% 提升至 96%）。对于“单比特电路 2”，提升范围在 +10% 到 +15% 之间。
两比特电路： 对于初始保真度较低的电路，观察到了显著的改进。
- 对于“两比特电路 1”（CNOT + H），改进范围为 +5% 至 +33%，其中对于 $|00\rangle$ 初始状态的最大提升为 +33%（将保真度从 54% 提高到 87%）。
- 对于“两比特电路 2”（仅 CNOT），改进范围为 +0% 至 +30%。
性能极限： 作者观察到，当未缓解的 Hellinger 保真度非常低（低于约 50%）时，缓解技术提供的修正微乎其微（5–9% 的提升）。然而，对于初始保真度在 60% 左右的情况，该技术可以将读取效果提高达 30%。在未缓解电路已经显示出高保真度（约 90%）的情况下，该技术可以将结果推至约 99%。

意义与主张
本文声称提供了在基于超导跨子量子比特的真实 NISQ 设备上进行 FCM-QEM 技术原理验证的首个证明。这项工作的意义在于证明了：

硬件无关性： FCM 基于的 QEM 技术可以提高单比特和两比特门电路期望值的准确性，而无需最先进的相干性、门操作或读取保真度。即使在性能指标“适中”的硬件上，它也是有效的。
实验便利性： 该方法完全依赖于经典后处理和初始化程序，无需额外的硬件资源或复杂的电路内校正（与 ZNE 或 t-REx 不同）。
稳定性： 该技术在多次运行中表现出可重复性，有效地解释了读取随机性和散粒噪声。
可扩展性限制： 作者承认，与其他基于矩阵的 QEM 技术一样，构建和求逆缓解矩阵的计算成本随量子比特数量呈指数级增长，这是未来工作中需要解决的挑战。

作者总结道，FCM-QEM 是 NISQ 设备（特别是对于读取特性未经过优化的设备）中读取误差缓解的一个合适候选方案，并且可以集成到硬件设置与量子处理器之间的软件接口中。