⚛️ quantum physics

Noise mitigation of quantum observables via learning from Hamiltonian symmetry decays

该论文提出了一种名为 GUESS 的新型量子误差缓解技术，通过利用哈密顿量对称性衰减来学习外推系数，在 IBM Heron r2 量子处理器上对大规模含噪电路进行了验证，结果显示该方法在仅需两倍基线零噪声外推（ZNE）测量次数的情况下，能以约 10% 的相对误差和更低的方差有效缓解多达 8000 个 CZ 门电路的噪声。

原作者： Javier Oliva del Moral, Olatz Sanz Larrarte, Joana Fraxanet, Dmytro Mishagli, Josu Etxezarreta Martinez

发布于 2026-03-16

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Javier Oliva del Moral, Olatz Sanz Larrarte, Joana Fraxanet, Dmytro Mishagli, Josu Etxezarreta Martinez

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

这篇论文介绍了一种名为 GUESS 的新方法，旨在解决量子计算机目前面临的最大难题之一：噪音。

想象一下，你试图在狂风暴雨中（量子噪音）听清朋友（量子计算结果）在电话里说的话。风太大，声音全是杂音，你根本听不清。传统的做法是试图把风停下来（量子纠错），但这需要极其昂贵的设备，目前还做不到。

GUESS 的做法则更聪明：它不试图停风，而是利用风的声音来推断朋友到底说了什么。

以下是用通俗语言和比喻对这篇论文核心内容的解读：

1. 核心问题：量子计算机太“娇气”了

目前的量子计算机（就像现在的早期智能手机）非常脆弱。当你运行一个复杂的程序时，环境中的微小干扰（噪音）会让结果变得不准确。

现状：我们只能运行很短的程序，因为一旦程序变长，噪音就会把结果彻底淹没。
传统方法（ZNE）：就像你为了听清声音，故意把音量调大（放大噪音），然后尝试根据“音量变大后的杂音”去推测“原始声音”。但这有个大问题：你很难知道噪音到底是怎么变化的，就像你不知道风是怎么吹的，所以推测往往不准，或者需要听很多次（采样成本极高）。

2. GUESS 的绝招：利用“对称性”做向导

GUESS 的全称是 GUiding Extrapolations from Symmetry decayS（基于对称性衰减的引导外推法）。

它的核心思想是：
在物理世界中，有些东西是守恒的，就像你口袋里的钱，如果不花（没有噪音干扰），它永远应该是一样多的。

对称性（Symmetry）：在量子系统中，有些特定的物理量（比如总自旋）在理想情况下是永远不变的。
问题：在真实的量子计算机上，因为噪音，这些“永远不变”的量也会慢慢“漏掉”或“衰减”。

GUESS 的三步走策略：

第一步：找个“参照物”（引入杂质）

很多时候，我们想测量的目标（比如某个粒子的磁性）并没有现成的“守恒量”可以参照。

比喻：你想测量一杯水的温度，但温度计坏了。
GUESS 的做法：作者发明了一个技巧，叫**“哈密顿量杂质”（Hamiltonian Impurity）。这就像是在水里故意加了一点点特殊的“调料”**。
神奇之处：这点点“调料”加得恰到好处，它不会改变水的基本性质（噪音传播方式），但它强行创造了一个新的守恒量。现在，我们有了一个完美的“参照物”，我们知道它在理想状态下应该是什么值（比如永远是 1）。

第二步：学习“漏风”的规律

既然我们有了一个理想的“参照物”，我们就可以观察它在真实机器上是怎么“漏掉”的。

比喻：我们看着那个“参照物”在风中的变化。如果风把“参照物”吹散了 10%，我们就知道风有多大。
操作：我们在不同强度的“风”（人为放大噪音）下测量这个“参照物”。因为它理想值已知，我们就能精准地算出噪音衰减的数学规律（系数）。

第三步：修正目标结果

现在，我们知道了噪音是怎么“漏风”的，就可以把这个规律应用到我们真正想测量的目标上。

比喻：既然知道了风把“参照物”吹散了多少，我们就能反推出“朋友的声音”原本应该有多大，从而把杂音去掉，还原出清晰的声音。
结果：用这种方法，即使电路非常长（包含数千个量子门），GUESS 也能把误差控制在 10% 左右，而且比传统方法更稳定，需要的测量次数也更少。

3. 实验验证：真的有效吗？

作者们没有只在电脑上模拟，而是真的在 IBM 的量子计算机（'ibm basquecountry'） 上跑了一遍。

规模：他们模拟了 100 个量子比特 的系统（这在目前是非常大的规模，被称为“效用级”）。
任务：模拟两种著名的物理模型（伊辛模型和海森堡模型），这就像是在模拟磁铁内部原子是如何排列和互动的。
成绩：
- 在包含 8000 个量子门 的超长电路中，GUESS 依然能给出相当准确的结果。
- 它比传统的“零噪音外推法”（ZNE）更准，而且方差更小（结果更稳定，不会忽高忽低）。
- 它还能充当“质检员”：通过观察那个“参照物”的状态，它能自动识别出哪些量子比特（qubits）今天状态不好（噪音太大），从而自动剔除坏数据，只保留好的。

4. 总结：这意味着什么？

这篇论文就像是在说：“在造出完美的防噪音量子计算机之前，我们可以先学会‘听风辨位’。”

以前：我们要么忍受噪音，要么花巨资去造完美的机器（量子纠错）。
现在：GUESS 提供了一种“软件补丁”。它不需要完美的硬件，而是通过巧妙地利用物理规律（对称性）和一点点“作弊”（引入杂质），就能从充满噪音的数据中“洗”出准确的答案。

一句话概括：
GUESS 就像是一个聪明的翻译官，它通过观察一个“已知答案的单词”在噪音中是如何变形的，从而学会如何把“未知答案的句子”从噪音中完美地翻译出来，让现在的量子计算机能解决以前无法解决的复杂问题。

论文技术总结：基于哈密顿量对称性衰减学习的量子可观测量噪声抑制 (GUESS)

1. 研究背景与问题陈述

背景：
量子计算有望在量子模拟和整数分解等领域超越经典计算机，但量子噪声（如退相干、门误差、串扰）严重限制了当前含噪声中等规模量子（NISQ）设备的性能。虽然量子纠错（QEC）是构建容错量子计算机的长期目标，但在当前硬件条件下，量子误差抑制（QEM） 是提升计算精度的关键策略。

现有挑战：

零噪声外推（ZNE）的局限性： ZNE 是目前主流的 QEM 技术，通过放大噪声并外推至零噪声极限来估计理想值。然而，ZNE 面临以下问题：
- 衰减曲线未知： 复杂非 Clifford 电路的误差衰减往往呈现多指数形式，难以用简单的线性或指数模型准确拟合，导致外推偏差。
- 噪声放大不精确： 现有的噪声放大技术（如门折叠）往往是启发式的，无法精确控制噪声增益，导致外推不稳定。
- 方差过大： 外推过程通常会显著增加结果的方差（采样开销）。
对称性的利用不足： 传统方法常利用哈密顿量的对称性来剔除违反对称性的测量结果（后选择），但未能充分利用对称性可观测量随噪声衰减的规律来指导目标可观测量的误差抑制。

2. 方法论：GUESS (GUiding Extrapolations from Symmetry decayS)

本文提出了一种名为 GUESS 的新型 QEM 技术，其核心思想是利用哈密顿量对称性的衰减规律来“学习”噪声模型，进而指导目标可观测量的外推。

核心步骤：

对称性衰减学习 (Step 1)：
- 选取一个与哈密顿量 $H$ 对易的对称算符 $S$ （即 $[H, S]=0$ ）。在理想情况下，其期望值 $\langle S \rangle$ 应守恒。
- 在实际含噪声电路中， $\langle S \rangle$ 会随噪声强度衰减。通过在不同噪声增益（ $G_k$ ）下测量 $S$ 的期望值，并结合已知的理想值（通常为 1），构建最小二乘问题，学习出最优的外推系数 $\{x_i\}$ 。
- 这一过程不依赖于具体的噪声放大因子，只要对称性和目标量使用相同的放大技术即可。
目标量抑制 (Step 2)：
- 假设目标可观测量的噪声衰减行为与对称性可观测量相似（特别是当它们具有相同的权重，即涉及的泡利算符数量相同时），将学习到的系数 $\{x_i\}$ 应用于目标可观测量的含噪测量值，从而估算其无噪期望值。

关键技术突破：哈密顿量杂质 (Hamiltonian Impurities)

问题： 许多重要的多体哈密顿量（如海森堡模型）缺乏低权重的局部对称性，或者其全局对称性衰减过快，无法用于学习局部目标量的噪声。
解决方案： 作者提出了一种杂质技术。通过向目标哈密顿量 $H_0$ $H_{0}$ 添加一个微扰项 $I_{\bar{q}}$ $I_{\overset{q}{ˉ}}$ ，构造一个新的哈密顿量 $H_I = H_0 + I_{\bar{q}}$ $H_{I} = H_{0} + I_{\overset{q}{ˉ}}$ 。
- 该微扰项被设计为使得目标可观测量的特定权重（Weight）在 $H_I$ 下成为守恒量（对称性）。
- 关键约束： 微扰必须最小化对电路结构的改变，特别是保持双量子比特门（CZ 门）的数量和结构不变。因为双量子比特门是主要噪声源，保持其数量不变确保了噪声传播特性（Noise Propagation）与原始电路高度一致。
- 利用这个“人造”对称性，可以针对任意权重的目标量学习准确的噪声衰减系数。

统计后选择 (Statistical Post-selection)

利用对称性测量结果（其理想值已知）作为基准，可以检测哪些量子比特或测量结果存在异常（如方差过大或偏离理想值）。
通过剔除这些“坏”的测量数据，可以进一步降低最终结果的方差，提高可靠性。

3. 实验设置与基准测试

硬件平台： IBM Heron r2 量子处理器（'ibm basquecountry'），包含 156 个超导 transmon 量子比特。
模拟模型：
- 1D 横场 Ising 模型 (TFIM)
- 1D $XZ$ 海森堡模型
- 系统规模：100 个量子比特（效用规模）。
- 电路深度：Ising 模型 44 步 Trotter，海森堡模型 24 步 Trotter。
- 门数量：包含高达 8000 个 CZ 门 的电路。
对比基准：
- 标准 ZNE（线性与指数外推）。
- 张量网络（MPS/TEBD）模拟作为“真值”基准。
噪声放大策略： 分数门折叠（Fractional Gate Folding），噪声因子为 1, 1.2, 1.5。

4. 主要结果

高精度抑制：
- GUESS 在包含高达 8000 个 CZ 门的电路中，实现了约 10% 的相对误差。
- 相比之下，标准 ZNE 和原始含噪信号在早期时间步长就出现了超过 20% 的误差，且无法准确捕捉动力学演化。
- GUESS 在 Ising 模型中可准确恢复约 40 步 Trotter 的动力学，在海森堡模型中约为 20 步。
低方差与低开销：
- GUESS 的平均方差低于标准 ZNE。
- 量子开销： 仅需每个可观测量的 2 倍 测量次数（一次目标电路，一次含杂质对称性电路），与 ODR（算子退相干重整化）相当，远低于 CDR（Clifford 数据回归）所需的数百倍电路开销。
鲁棒性：
- 即使在噪声放大技术（门折叠）不精确、存在启发式误差的情况下，GUESS 依然表现稳定。这是因为 GUESS 通过直接学习对称性的衰减来适应实际噪声，而非依赖理论上的噪声增益因子。
- 非物理结果（期望值 $>1$ 或 $<-1$ ）的比例显著低于 ZNE（例如在 Ising 模型权重 1 观测中，ZNE 指数法非物理比例高达 81%，而 GUESS 线性法仅为 0.07%）。
后选择有效性：
- 利用对称性测量进行异常检测，成功筛选出噪声较小的量子比特，进一步提升了最终结果的可靠性。

5. 关键贡献与意义

新范式： 提出了利用对称性衰减规律来“指导”外推的新范式，解决了传统 ZNE 中衰减曲线未知和噪声放大不精确导致的偏差问题。
杂质技术： 发明了“哈密顿量杂质”方法，使得在缺乏天然局部对称性的复杂系统中，也能针对任意权重的目标量构建有效的对称性学习源，同时保持噪声传播特性不变。
效用规模验证： 首次在 100 量子比特、8000 门 的实用规模电路上验证了 QEM 技术的有效性，证明了在早期容错（Early Fault-Tolerance）阶段，QEM 与 QEC 结合的巨大潜力。
低成本高效率： 相比其他机器学习或回归类 QEM 方法，GUESS 仅需两倍电路开销，且无需复杂的噪声模型学习阶段，具有极高的实用价值。
未来展望： 该方法为在逻辑量子比特上应用 ZNE 提供了思路（通过调整纠错码距离或引入逻辑层面的“杂质”来放大逻辑噪声），是连接当前 NISQ 设备与未来容错量子计算的重要桥梁。

总结：
GUESS 是一种高效、鲁棒且低开销的量子误差抑制技术。它巧妙地利用哈密顿量对称性（通过杂质技术增强）来学习真实的噪声衰减行为，从而在大规模量子电路中显著提高了观测量的计算精度，降低了方差，为在现有硬件上实现具有实用价值的量子计算提供了强有力的工具。