⚛️ quantum physics

Scalable testing of quantum error correction

本文介绍了一种用于量子纠错基准测试的可扩展方法，该方法将分层故障注入与外推法相结合，能够在现有工具（如 stim）失效的情况下，实现对更大码距（高达 17）的高效测试，同时在较短的时间预算内获得高置信度的逻辑错误率估计。

原作者： John Zhuoyang Ye, Jens Palsberg

发布于 2026-02-09

📖 1 分钟阅读🧠 深度阅读

原作者： John Zhuoyang Ye, Jens Palsberg

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

以下是关于论文《可扩展的量子纠错测试》（Scalable testing of quantum error correction）的解释，使用了简单的语言和日常类比。

核心问题：大海捞针

想象你制造了一个超级先进、具有自我修复能力的机器人（一台量子计算机）。你想知道：“这个机器人出错的频率是多少？”

在量子计算的世界里，这些错误极其罕见。如果你让机器人运行一百万次，它可能只出错一次。为了得到可靠的答案，你通常需要让它运行数十亿次。

目前，研究人员使用的最佳工具叫做 Stim。你可以把 Stim 想象成一个非常快速、非常勤奋的检查员，负责随机检查机器人的工作。

问题在于： 当机器人非常出色（具有高“距离/distance”）时，错误变得如此罕见，以至于即使检查员工作了两个小时，也可能连一个错误都找不到。这就像试图通过一次只捡起一颗沙粒，来寻找海滩上特定的某一颗沙粒。在你找到任何东西之前，时间就已经耗尽了。

新解决方案：ScaLER

作者 John Zhuoyang Ye 和 Jens Palsberg 开发了一种名为 ScaLER（可扩展逻辑错误率测试）的新工具。

ScaLER 不再是随机从整个海滩上捡沙粒，而是使用了一种聪明的两步策略：分层抽样（Stratified Sampling）和外推法（Extrapolation）。

第一步：“重型任务”区域

作者意识到，并非所有的错误都是同等重要的。

低权重错误： 这些是微小的、单一的故障。它们很常见，但由于机器人非常擅长修复它们，这些错误几乎不会导致系统彻底崩溃。这就像汽车爆了一个胎，但仍然可以开到修理厂。
高权重错误： 这些是巨大的、混乱的故障（比如引擎爆炸且轮子脱落）。它们很罕见，但一旦发生，机器人就一定会彻底瘫痪。

Stim 把时间浪费在检查“爆胎”场景上，因为这些场景很少导致崩溃。ScaLER 跳过了“爆胎”场景，完全专注于“引擎爆炸”的情况。它故意向系统中注入大规模、混乱的错误，以观察机器人崩溃的频率。

第二步：“S型曲线”预测

一旦 ScaLER 测试了这些大规模错误，它的工作并没有结束。它利用数学方法画出一条连接各点的曲线（即 S型曲线）。

想象你在尝试猜测一个城市里有多少人在流感季节会生病。

Stim 的方式： 挨家挨户去问每个人是否生病。如果流感很罕见，你可能走访了 10,000 户人家却发现零病例。你无法确定流感率是 0% 还是 0.001%。
ScaLER 的方式： 有意前往“生病区域”（如医院），那里你知道人们极有可能生病。你统计那里的患病人数，然后根据这些数据，使用数学公式（S型曲线）来预测城市其他地区的患病情况。

论文表明，这种“S型曲线”对于量子计算机来说是一种非常可靠的形状。它开始时很平缓（表现完美），然后陡峭上升（性能下降），最后再次趋于平缓（陷入完全混乱）。

结果：事半功倍

论文在标准台式电脑上，在 2 小时的运行限制内，将 ScaLER 与旧工具（Stim）进行了对比：

Stim： 对于一个大型、高质量的量子码（距离为 13），Stim 运行了 2 小时后发现零个错误。它无法给出答案。
ScaLER： 对于一个更大的量子码（距离为 17），ScaLER 在 2 小时内成功估算了错误率。它预测该计算机每运行 100 万亿次才会发生 1.51 次 故障。

类比：
如果说 Stim 是一个试图通过随机行走在体育场里寻找一枚丢失硬币的人，那么 ScaLER 就是一个知道“硬币掉落区”在哪里，统计了那里的硬币数量，并根据体育场的布局计算出总数的人。

为什么这很重要（根据论文所述）

可扩展性： ScaLER 可以测试当前工具无法处理的超大型量子码。
速度： 它能在通过随机寻找错误所需的一小部分时间内，获得高置信度的结果。
准确性： 论文声称，虽然 ScaLER 提供的是一种估算值，但它与 Stim 在能够找到错误时所发现的“地面真值（ground truth）”非常吻合。

总结

这篇论文介绍了一种测试量子计算机的新方法。与其等待罕见的错误自然发生，不如通过新工具（ScaLER）强制计算机制造大规模、明显的错误，学习这些故障的模式，并利用数学精确预测在现实世界中计算机失效的频率。这使得研究人员能够测试比以往任何时候都更大、更好的量子计算机。

技术摘要：量子纠错的可扩展测试

问题陈述

基准测试量子纠错（QEC）算法是迈向容错量子计算的关键步骤。标准方法是通过模拟注入故障的量子电路来估计逻辑错误率（ $P_L$ ）。然而，随着 QEC 码向更大距离（ $d$ ）和更低物理错误率（ $p$ ）扩展，逻辑错误会变成极其罕见的事件。

最先进的工具 Stim 利用随机故障注入来基准测试 QEC 实现。虽然对于小距离（ $d \approx 10$ ）非常高效，但 Stim 在处理更大距离时扩展性较差，因为它依赖于蒙特卡洛采样。对于高质量的 QEC 算法，逻辑错误的概率如此之低，以至于 Stim 必须进行海量的测试才能获得统计置信度。在许多情况下，对于 $d \ge 13$ 的情况，Stim 在合理的计算预算内（例如在台式机上运行两小时）甚至无法观察到单个逻辑错误，从而无法提供估算值。这为旨在表征实际应用中 QEC 性能的研究人员制造了瓶颈。

方法论：ScaLER

作者提出了 ScaLER（可扩展逻辑错误率测试），该方法结合了分层故障注入与外推法，以克服随机采样的局限性。其核心洞察在于：“故障空间”可以通过注入错误的权重（故障的数量）进行划分，并且可以通过高效地对高权重样本进行采样，来预测低权重样本的行为。

1. 将 QEC 测试数据建模为 S 曲线

作者观察到，逻辑错误率随错误权重（ $P_L^w$ ）的变化呈现出 S 曲线特征：

容错区： 对于权重 $w \le t$ （其中 $t = \lfloor (d-1)/2 \rfloor$ ）的情况，逻辑错误率精确为零。
过渡区： 随着权重增加超过 $t$ ，错误率急剧上升。
饱和区： 在极高权重下，错误率饱和在 0.5（相当于抛硬币）。

论文使用连续函数 $f(w)$ 对这种行为进行建模。虽然 IBM 现有的“最小失效包络模型”（Min-Fail Enclosure Model）可以拟合数据，但作者认为它在容错阈值附近的精度不足。他们引入了一种新的 S 曲线模型，通过定义 $w \le t$ 时函数为零，并在 $w > t$ 时使用特定的拟合函数形式来显式编码容错阈值 $t$ ：
$f_t^{\text{ours}}[\mu, \alpha, \beta](w) = \begin{cases} 0 & w \le t \\ \frac{1}{2} \cdot \frac{1}{1 + e^{-\frac{w-\mu}{\alpha} + \frac{\beta}{\sqrt{w-t}}}} & w > t \end{cases}$
该模型通过从特定权重子空间收集的数据点进行拟合。

2. 分层采样与自适应搜索

ScaLER 不会对所有权重进行均匀采样，而是专注于逻辑错误频繁发生的高权重样本，然后将其外推回关键的低权重区域。该算法分为三个阶段：

二分查找阶段： 算法搜索两个边界权重：
- $w_{err}$ ：1,000 个样本产生一个逻辑错误的最低权重（约 $P_L^w \approx 0.001$ ）。
- $w_{sat}$ ：逻辑错误率 $\le 0.25$ 的最高权重。
初始采样阶段： 在 $w_{err}$ 和 $w_{sat}$ 之间均匀分布的 5 个子空间中收集样本。随后拟合一条 Y 曲线（对数转换后的 S 曲线）以估计“甜点”（ $w_{sweet}$ ）。
迭代阶段： 算法通过从 $w_{err}$ 向 $w_{sweet}$ 方向移动的子空间进行迭代采样。在每个子空间之后，重新拟合 Y 曲线并更新 $w_{sweet}$ 的估计值。过程在测试完 5 个子空间或耗尽时间预算时停止。

3. 逻辑错误率估计

一旦拟合出 S 曲线参数（ $\mu, \alpha, \beta$ ），则通过将建模的错误率与该权重在电路中出现的概率之积求和，来估计总逻辑错误率：
$\hat{P}_L = \sum_{w=w_{min}}^{w_{max}} f_t^{\text{ours}}(w) \times \binom{n}{w} p^w (1-p)^{n-w}$
其中 $n$ 是电路中的位置数量，且求和范围覆盖了“关键区域”（通常为 $[np - 5\sigma, np + 5\sigma]$ ）。

核心贡献

ScaLER 工具： 一个实现了分层故障注入和 S 曲线拟合的开源工具（C++/Python）。
新型 S 曲线模型： 一种显式包含容错阈值 $t$ 的数学模型，与现有模型相比，在阈值附近的插值精度更高。
自适应采样算法： 一种动态确定最佳采样权重范围的方法（算法 1），平衡了测试成本与准确性。
可扩展性演示： 通过实证证据表明，ScaLER 可以在标准台式机两小时的时间预算内，估计距离高达 $d=17$ 的逻辑错误率，而在此区间 Stim 完全失效。

结果

作者使用 Surface 码、Toric 码和 Bivariate Bicycle (BB) 码，在距离高达 17 且物理错误率分别为 $p=0.0005$ 和 $p=0.0001$ 的情况下，将 ScaLER 与 Stim 进行了对比评估。

可扩展性 (RQ1)： 对于一个 $d=17, p=0.0005$ 的 Surface 码，Stim 在两小时内观察到零个逻辑错误。ScaLER 在相同时间内估计逻辑错误率为 $1.51 \times 10^{-11}$ ，且具有高置信度。ScaLER 成功为所有 Stim 失效的配置提供了估计值。
一致性 (RQ2)： 在 Stim 能够生成地面真值（Ground-truth）估计的情况下（通常为 $d \le 10$ ），ScaLER 的估计值在数量级内是一致的。对于 $d=3$ 和 $d=9$ ，相对误差低于 10%。对于中间距离（ $d=5, 7$ ），误差约为 20–40%，作者将其归因于“甜点”超参数 ( $\Gamma$ ) 的选择。增加 $\Gamma$ 可以提高准确性，但会增加采样成本。
模型比较 (RQ3)： 作者的 S 曲线模型在拟合数据和向关键区域外推方面优于 IBM 的模型。测试了具有不同指数 ( $s$ ) 的模型变体，结果显示 $s=1/2$ （分母中的平方根项）的准确度最高。

意义与主张

本文声称 ScaLER 为基准测试高质量 QEC 算法提供了一种可扩展的替代方案。通过将测试重点转向高权重错误子空间，并利用逻辑错误率可预测的 S 曲线行为，该方法大幅减少了估计极低逻辑错误率所需的采样工作量。

作者强调，他们的方法使得表征适用于未来容错应用（如分解大整数）的 QEC 电路规模（ $d=17$ ）和错误率成为可能，而这些场景目前对于像 Stim 这样的标准蒙特卡洛工具来说是无法触及的。他们承认，该方法依赖于 QEC 测试数据遵循 S 曲线的假设，且极大距离下的地面真值仍然难以捉摸，但他们证明了其估计值是稳健的，并且与低距离基准保持一致。