⚛️ quantum physics

How Many Shots Are Enough for a Quantum Circuit?

本文介绍了 IncrementalExecution，这是一个黑盒在线框架，它通过识别收益递减点，在不依赖特定电路结构或噪声模型的情况下，动态优化量子电路的采样次数（shots），以平衡执行成本与结果保真度。

原作者： Giuseppe Bisicchia, Alessandro Bocci, Ernesto Pimentel, Antonio Brogi

发布于 2026-06-16

📖 1 分钟阅读🧠 深度阅读

原作者： Giuseppe Bisicchia, Alessandro Bocci, Ernesto Pimentel, Antonio Brogi

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《量子电路需要多少次采样？》（How Many Shots Are Enough for a Quantum Circuit?）的通俗易懂的解释。

核心问题：一场“盲测”

想象你是一位正在尝试完善新汤配方的厨师。你无法一次尝遍整锅汤，只能通过一小勺一小勺（样本）来猜测味道。

汤：量子计算电路。
勺子里的量： “采样次数”（Shots）。在量子计算中，你不能只运行一次程序就得到完美答案。由于量子物理的奇特性质，你必须多次运行同一个程序，才能获得可靠的结果图像。
困境： 如果你只尝了几勺，你对味道的判断可能会出错；如果你尝得太多，就会浪费时间和金钱（因为租用量子计算机非常昂贵）。

作者提出的核心问题是：在你能确信自己已经掌握了味道之前，你到底需要喝多少勺汤？

旧方法 vs. 新方法

旧方法（凭直觉猜测）：
以前，开发者必须根据经验法则或复杂的数学公式来猜测一个固定的采样次数（例如：“让我们运行 10,000 次”），而这些公式假设他们完全了解量子计算机的行为方式。

缺陷： 量子计算机具有噪声且不可预测。有时 10,000 次采样是大材小用（浪费钱）；有时又不够（导致结果错误）。这就像是在还没尝过第一口汤之前，就预设一定要喝 50 口汤一样。

新方法（“收益递减”法）：
作者引入了一个名为 增量执行（IncrementalExecution） 的新框架。他们不再通过猜测一个数字，而是建议采用一种智能的、循序渐进的方法。

这就像是用漏水的软管往桶里注水：

你开始注水（运行采样）。
每隔几秒钟，你都会检查一下水位（数据）。
只要水位还在显著上升，你就继续注水。
停止信号： 一旦你发现增加更多的水几乎不再改变水位高度，你就停止。你已经达到了“收益递减点”。

它是如何运作的（“黑盒”魔力）

作者称其方法为“黑盒”方法。这意味着他们不需要知道：

汤的配方是怎么写的（电路结构）。
炉灶是怎么坏的（硬件的噪声模型）。

他们只需要观察输出的结果。

运行一小批： 执行电路 50 次。
检查模式： 查看结果。
再运行一批： 再执行 50 次。
对比： 这新增的 50 次采样是否显著改变了整体情况？
- 变了？ 继续运行。
- 没变？ 模式已经稳定。现在可以停止了。你省钱了！

“收益递减”的概念

该论文依赖于一个简单的经济学概念：收益递减（Diminishing Returns）。
想象你在为考试复习。

第一个小时： 你掌握了 50% 的内容。巨大的收获！
第二个小时： 你又掌握了 30%。不错的收获。
第三个小时： 你掌握了 10%。
第四个小时： 你掌握了 1%。
第五个小时： 你掌握了 0.1%。

在某个时刻，付出的努力（时间/金钱）与获得的微小知识增量相比已不划算。论文中的软件会自动找到这个精确的时刻，并告诉你在量子电路计算中何时停止。

研究发现（结果）

作者在 180 个不同的量子电路 和 模拟噪声计算机 的 33,750 种不同设置 下测试了这个想法。他们总共运行了 730 万次实验。

以下是他们的发现：

有效性： 他们可以在不损失准确性的情况下，可靠地提前停止。
节省资源： 他们的智能方法通常比以前使用的“安全”固定数值或严格的数学公式使用更少的采样次数。
灵活性： 他们发现不同的“规则”适用于不同类型的任务。
- 类比： 有时你需要一把非常敏感的勺子来品尝精致的清汤（严格设置）。而有时，一把粗糙的勺子对于浓郁的炖菜来说就足够了（宽松设置）。他们的系统允许你为任务选择合适的“勺子”。
处理噪声： 尽管量子计算机很混乱且充满噪声，但这种方法足够鲁棒，能够处理这些混乱，而无需了解噪声的具体成因。

为什么这很重要

在量子计算领域，时间就是金钱。用户每多运行一秒量子计算机，都会产生真实的现金成本。通过确定何时停止，这个框架可以帮助用户：

节省资金。
更快地获得结果。
避免在不必要的计算上浪费资源。

总结

这篇论文为量子计算机提供了一个智能的自动“秒表”。与其为了保险起见而盲目运行一百万次程序，这个新工具会实时观察结果。一旦结果不再发生显著变化，它就会说：“好了，我们已经有足够的数据了。停止吧。”这是一个实用的、节省成本的工具，它不需要理解机器背后复杂的物理原理即可发挥作用。

技术摘要：量子线路需要多少次采样（Shots）？

1. 问题陈述

量子算法本质上产生的是概率性输出，因此需要通过重复执行电路（即采样/shots）来逼近底层的概率分布。确定实现目标精度所需的最小采样次数是一个关键的资源优化挑战，特别是在噪声中规模量子（NISQ）设备中，执行成本、排队延迟和硬件噪声都是显著的约束条件。

现有的采样优化方法通常依赖于特定的假设，这限制了它们的适用性：

解析方法 通常需要对噪声模型（例如 SPAM 误差、 $T_1/T_2$ 时间）或特定的电路结构有明确了解。
自适应策略 旨在用于变分量子算法（VQA），在这些算法中，电路参数会发生演化，从而导致非平稳的输出分布。
基于学习的方法 通常需要在特定的优化轨迹上进行训练。

本文解决了静态、非变分量子电路的黑盒采样优化问题。在这种设定下，电路结构和参数在所有采样过程中保持固定，从而产生一个平稳但未知的输出分布。目标是在无需预先知晓电路拓扑、噪声模型或真实分布的情况下，确定达到目标精度所需的最小采样次数。

2. 方法论：增量执行框架（IncrementalExecution Framework）

作者提出了 IncrementalExecution，这是一个在线、迭代的框架，它根据收益递减点动态决定何时停止执行采样。该点被定义为：额外的采样不再引起经验输出分布发生统计学显著变化的时刻。

核心概念

事后最优性（A Posteriori Optimality）： 论文首先定义了一个理论基准：最小采样次数 $n^*$ ，使得经验分布 $\hat{P}_{n^*}$ 与在全预算 $B$ 下可获得的最佳估计（记作 $\hat{P}_B$ ）之间的差距在阈值 $\delta$ 之内。这作为评估的追溯性地面真值（ground truth），但无法在线计算。
收益递减点（在线代理）： 为了在无法获取全预算分布的情况下进行在线决策，该框架使用了一个可观测的代理指标。它监控当前累积经验分布与过去的分布（通过回溯窗口 $\tau$ 分隔）之间的散度。当该散度在连续若干次迭代（ $k$ 次）中均低于容差 $\epsilon$ 时，执行停止。

框架架构

该框架是模块化的，由三个可插拔的策略组件组成：

停止准则（Stopping Criterion）： 确定最近的一批采样是否引入了统计学上的显著变化（例如，Delta 距离或 Delta 移动平均法）。
稳定性准则（Stability Criterion）： 强制执行最小连续稳定迭代次数（ $k$ ），以防止由于瞬时波动导致的过早停止。
采样分配策略（Shot Allocation Policy）： 动态决定下一批采样的规模（例如，恒定规模或基于收敛趋势的自适应规模）。

该框架在严格的黑盒假设下运行：它不需要访问电路内部、噪声模型或理想分布，仅依赖于观测到的测量结果。

3. 实验评估

作者进行了广泛的评估，涉及 33,750 个唯一的框架配置，涵盖 180 个唯一的静态电路-后端组合，总计 730 万次独立实验。

实验设置

电路： 28 个静态电路（包括 QFT、QAOA、VQE、Random、QNN），量子比特数范围从 4 到 14。
后端： 五个 IBM 噪声模拟器后端（fake_fez, fake_kyiv, fake_marrakesh, fake_sherbrooke, fake_torino）。
预算： 使用最大 20,000 次采样预算来生成参考分布。
指标： 使用全变分距离（TVD）、Hellinger 距离和 Jensen–Shannon (JS) 散度来衡量分布的稳定性。

关键发现

有效性与参数： 寻找有效配置（即在预算内满足停止条件的情况）对停止阈值 $\epsilon$ 和目标容差 $\delta$ 非常敏感。通常只有当 $\epsilon < \delta$ 时才能获得有效性。Delta 移动平均（DMA） 停止策略在更严格的场景下比简单的 Delta 策略表现出更强的鲁棒性。
电路规模的影响： 小型电路（4–8 量子比特）通常可以通过最佳配置实现极高的有效率（通常为 100%）。大型电路（10–14 量子比特）面临更大的挑战，其有效率会下降，且配置所需的采样次数更多，往往接近 20,000 次的完整预算。
指标敏感性：
- TVD 是最苛刻的指标，通常需要更多的采样次数才能满足有效性约束。
- Hellinger 和 JS 较为宽松，在处理大型电路和较松容差时通常能产生更高的有效率。
与现有技术对比：
- 对比解析界限（Analytical Bounds）： IncrementalExecution 的样本效率比最差情况下的集中不等式（Hoeffding 和 Weissman）高出几个数量级，后者提供的分布无关上界对于实际的 NISQ 场景而言过于保守。
- 对比固定预算： 该框架能在达到目标精度后成功停止执行，避免了在已收敛后仍继续执行的固定采样基准所造成的浪费。
算法行为： 不同的算法族表现出不同的稳定剖面。简单电路（如 dj）稳定得很快，而复杂电路（如 qft、random）需要更多的采样，有时甚至会达到预算上限，这表明在高度方差的场景下，固定预算本身可能不足。

4. 主要贡献

问题形式化： 为静态、非变分电路的黑盒采样优化问题提供了正式定义，明确避免了对电路结构或噪声模型的假设。
事后最优性： 引入了追溯性最优性准则，作为评估在线策略的严谨基准。
IncrementalExecution 框架： 一个通用的在线迭代框架，利用收益递减点来自适应地停止执行。
策略套件： 提供了一套全面的执行策略（停止、稳定性及分配），允许用户在成本与精度之间进行权衡。
基准数据集： 发布了一个新的数据集，包含在噪声后端上运行静态电路的迭代式、逐采样执行轨迹，从而实现了对采样优化技术的可重复评估。

5. 重要性与主张

论文声称这是首个在黑盒设定下，针对静态电路使用在线策略解决采样计数优化问题，且不依赖于电路结构或噪声模型假设的工作。

实际可行性： 作者认为该框架可以直接部署在当前的量子云平台上。他们强调，新兴的基础设施，如 量子会话（Quantum Sessions）（IBM）以及 基于预约的模型（IonQ, Rigetti），减轻了与自适应、迭代执行相关的延迟开销，使得“停止并检查”的范式变得可行。
降低成本： 通过检测收益递减点，该框架可以防止执行不必要的采样，直接降低了昂贵硬件上的货币成本和排队时间。
通用性： 不同于以往局限于变分算法或特定噪声模型的工作，这种方法适用于广泛的静态工作负载，包括基准测试、校准和固定算法执行。

作者保持了审慎的态度，承认其评估是基于噪声模拟器的，并且实机硬件验证（包括排队延迟和校准漂移）是必要的未来步骤。他们还指出，虽然该框架与量子比特数无关，但最优配置参数取决于电路规模和复杂度，这表明需要自动化的调优机制来实现广泛部署。