⚛️ quantum physics

Shallow randomized measurement in noisy quantum devices

本文建立了一个理论框架，证明了在噪声设备上学习量子态特性时，浅层随机测量相比单比特测量具有实际优势，这一发现已通过在包含多达40个量子比特的IBM量子硬件上的实验得到了验证。

原作者： Gyungmin Cho, Dohun Kim

发布于 2026-07-07

📖 1 分钟阅读🧠 深度阅读

原作者： Gyungmin Cho, Dohun Kim

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

想象一下，你拥有一台非常复杂且精密的机器（量子计算机），但它目前有点“嘈杂”，且容易出错。你想了解这台机器内部发生了什么，但你无法同时观察每一个齿轮和电线，因为机器规模太大，也太脆弱了。

这篇论文介绍了一种更聪明、更高效的方法，让你可以在不损坏机器或不等待永恒时光的情况下，窥探这台嘈杂机器的内部。

问题所在：“盲目”的猜测

传统上，为了理解一个量子态，科学家使用一种叫做**随机测量（Randomized Measurements）**的方法。这就像是试图通过摇晃一个密封且不透明的盒子并听声音，来猜测盒子里装了什么。

旧方法（单比特）： 你一次只轻轻摇晃盒子的一个微小部分。这很安全也很简单，但你可能会错过部件之间是如何相互作用的。这种方法需要进行大量的“摇晃”（测量）才能得到清晰的图像。
“完美”的方法（全局纠缠）： 你可以同时剧烈地摇晃整个盒子，以听出所有部件是如何一起震动的。这能提供完美的图像，但在目前的嘈杂机器上，如果同时摇晃整个系统，动作太大会导致机器“坏掉”（误差淹没了信号），在你得到答案之前，机器就已经崩溃了。

解决方案：“浅层”窥探

作者提出了一个中间方案，称为浅层随机测量（Shallow Randomized Measurements）。

类比： 与其摇晃整个盒子，或者只摇晃一个微小的角落，不如以小规模、相互连接的集群方式来摇晃盒子（比如同时摇晃两个或三个相邻的隔间）。
为什么有效： 这种方法之所以被称为“浅层”，是因为它不需要深层的、复杂的电路，而目前的嘈效机器无法承受那些电路。但它又是“纠缠”的，因为它捕捉到了小组部件之间是如何相互作用的，而单角摇晃法会遗漏这一点。

新工具包：“块阴影”（Block Shadows）

论文引入了一个特定的数学框架，称为块阴影（Block Shadows）。想象一下你正在尝试重建一个拼图，但拼图碎片充满了噪声。

“块”策略： 与其一次只看一个拼图碎片，不如将它们作为 2x2 或 3x3 的小块组合在一起观察。
益处： 因为你在观察这些小块，你可以通过数学手段比观察整个拼图或单个碎片更容易、更准确地“抵消”噪声。这就像是一个特殊的过滤器，可以清理一小组无线电频道中的静电，让音乐变得清晰。

他们的发现（“魔法”技巧）

作者不仅发明了一种新的摇晃盒子的方法，还展示了如何利用这种方法更好地完成几项特定任务：

“确定性”捷径：
通常，你必须反复尝试各种随机摇晃才能得到一个好的平均值。作者展示了一种预先挑选出最佳特定摇晃方式的方法（就像厨师预先选好完美的香料一样），这样你只需要更少的尝试就能获得相同的结果。他们在真实的 IBM 量子计算机上进行了测试，证明即使在机器存在噪声的情况下，这种方法也是有效的。
“多拍”技巧：
想象你有一台相机。与其拍一张照片、改变角度、再拍一张，不如从同一个角度连续拍 10 张照片，然后再移动。论文表明，对于这些“浅层”测量，从同一角度重复使用测量（重复测量）实际上有助于减少误差并节省时间，而这在旧方法中并不总是成立。
“偏差”助手：
有时你对机器正在进行的操作有一个粗略的猜测（“偏差态”）。论文展示了如何利用这个粗略的猜测来修正你的测量。这就像是拥有了一张模糊的地图和一个 GPS 信号；你可以将两者结合起来，获得比仅使用 GPS 更清晰的位置信息。他们展示了即使地图有点错误，只要针对机器的噪声进行修正，这种方法依然有效。
教计算机学习：
他们利用这些“浅层”测量将数据输入到经典的机器学习算法（试图学习模式的计算机程序）中。
- 结果： 当计算机从测量小组量子比特（即“块”方法）的数据中学习时，它在识别量子系统中的特定变化（“相变”）方面，比从单比特数据中学习的效果要好得多。这就像计算机在观察人群中的小群体，而不是个体时，能更好地“看到”人群中的模式。

现实世界的测试

作者不仅是在纸上做数学题。他们在包含高达 40 个量子比特 的真实量子计算机（IBM 的 ibm_marrakesh）上运行了这些实验。

他们发现，即使面对机器自然的误差，他们的“浅层”方法也比旧有的“单比特”方法更高效、更准确。
他们成功测量了复杂量子态的属性，而使用之前的技术测量这些属性会过于嘈杂或过于缓慢。

总结

简而言之，这篇论文是在说：“不要试图一次摇晃整个脆弱的机器，也不要只摇晃一个微小的零件。要摇晃小规模、相互连接的零件组。这样更快，能更好地处理机器的噪声，并且能让你更清晰地看到内部到底发生了什么。”

他们证明了这在真实硬件上是行得通的，为我们今天拥有的这些嘈杂量子计算机提供了一种获取更有用数据的方法。

标题： 噪声量子设备中的浅层随机测量
作者： Gyungmin Cho 与 Dohun Kim（首尔大学）

问题陈述

尽管量子硬件正在改进，但近期的设备仍受限于噪声和有限的电路深度。学习量子态属性的标准协议（如经典影子，classical shadows）面临着一种权衡：随机泡利测量（RPM）在实验上非常简单，但对于低秩可观测量的效率较低；而随机克利福德测量（RCM）对于低秩可观测量非常高效，但需要深层电路（ $O(n)$ ），这在当前的噪声中等规模量子（NISQ）设备上是难以实现的。现有的“浅层影子”方法主要基于砖块结构电路（brickwork circuits），虽然提供了一种折中方案，但通常缺乏影子通道及其逆过程的闭式表达式，这使得后处理以及向去随机化（derandomization）或误差缓解等高级协议的扩展变得复杂。此外，浅层测量在各种学习任务（超越特定应用）中的系统性优势及其对实验噪声的鲁棒性，仍需进一步的理论与实验验证。

方法论

作者开发了一个基于克利福德测量系综（Clifford measurement ensembles）的统一理论框架，特别侧重于块影子（block shadows）。在这种方法中， $n$ 个量子比特系统被划分为大小为 $k$ 的块，并对每个块应用独立的随机克利福德幺正变换 $Cl(k)$。这种结构实现了：

显式解析公式： 推导出影子通道、其逆过程以及用于方差分析的矩的闭式表达式，避免了砖块结构电路中常见的数值近似问题。
集成高级协议： 该框架整合了去随机化、多轮次协议（重用测量基）、带有偏置态的常见随机测量（CRM）以及误差缓解后的估计器。
噪声建模： 在假设泡利扭转（Pauli twirling）将误差转化为泡利通道的基础上，对噪声模型（逐层噪声和后幺正噪声）进行理论分析，从而能够构建使用噪声影子通道的误差缓解估计器。
实验验证： 在 IBM 量子硬件上进行实现（高达 40 个量子比特，46 层双比特门），以测试去随机化块影子、带有误差缓解的常见随机测量以及纠缠增强型机器学习。

核心贡献与结果

1. 理论框架与去随机化

作者将去随机化与浅层测量相结合，获得了置信区间不大于随机平均值的确定性测量基。
结果： 在 Cluster-Heisenberg 模型上的数值和硬件实验表明，在存在硬件噪声的情况下，去随机化块影子在估计能量不确定性方面比单量子比特去随机化所需的测量次数更少。

2. 样本复杂度与典型情况缩放

本文确立了对于满足 $k2^k = \Omega(n)$ 的块影子，具有有界 Schatten 2-范数的可观测量在典型情况下其影子范数为常数。
状态相关可观测量： 不同于固定可观量的分析，该框架可以处理相关设置（例如，可观测量为状态本身的态验证）。作者展示了在典型情况机制下，块影子的缩放表现与全局随机克利福德测量一致。
纯度估计： 构建了一个多轮次纯度估计器。理论界限表明，对于典型态，样本复杂度与 RCM 的缩放相似，其中通过重用测量基可以抑制 $V_2/NS$ 项。

3. 常见随机测量 (CRM) 与误差缓解

该框架将 CRM 扩展到浅层影子，允许使用偏置态 $\sigma$ （近似 $\rho$ ）来降低方差。
误差缓解： 作者将鲁棒影子技术扩展到块影子。在 40 个量子比特上的实验表明，即使偏置态不够精确（较低的键维数），误差缓解也能显著提高 CRM 的准确性。

4. 纠缠增强型机器学习

研究探讨了在由纠缠浅层测量产生的数据上训练的经典机器学习（ML）模型，是否优于在单量子比特数据上训练的模型。
结果： 通过对 Su–Schrieffer–Heeger (SSH) 模型数据的核主成分分析（Kernel PCA），作者展示了与单量子比特测量（ $k=1$ ）相比，两量子比特块测量（ $k=2$ ）在临界点（ $w=1$ ）附近产生了更尖锐的相变特征。拟合函数的导数在 $w \approx 1.026$ 处达到峰值，这与理论转换点一致。

5. 后处理效率

由于块影子的张量积结构，其逆影子通道是精确且可以以闭式形式计算的。这与砖块结构影子形成对比，后者通常需要张量网络近似或数值优化来进行逆运算，从而在后处理效率方面提供了明显的优势。

意义与主张

本文声称，浅层深度测量（特别是通过块影子框架）在噪声量子设备上具有实际效益。

鲁棒性： 尽管存在实验噪声，浅层测量的优势依然存在，这一点已通过硬件实验得到验证。
通用性： 该框架在单一的克利福德系综理论框架下，统一了各种经典影子变体（去随机化、多轮次、CRM、误差缓解）。
可扩展性： 通过使用对数深度电路（ $O(\log n)$ ），该方法架起了简单局部测量与全局克利福德测量之间的桥梁，使得在当前的 NISQ 硬件上研究复杂的量子态和物理量成为可能。
机器学习优势： 结果表明，纠缠测量可以改善用于机器学习任务的量子实验数据的经典表示，从而可能减少学习基态性质或检测相变所需的实验次数。

作者保持了审慎的态度，指出其典型情况的结果并不意味着最坏情况下的保证（引用了缩放表现不利的特定块乘积反例），并且该方法在局部相关性显著或存在偏置态的情况下最为有效。