⚛️ quantum physics

Characterization of Unlearnable Noise with Mid-Circuit-Measurement-Based Cycle Benchmarking

本文介绍了一种基于中途电路测量的广义循环基准测试框架，该框架通过利用延迟前馈技术反转泡利循环，解决了多比特克利福德门中此前无法学习的泡利噪声分量问题，从而实现了在超导量子处理器上有效的噪声表征与验证。

原作者： M. H. Cheng, Stefano Mangini, V. Bartsch, A. C. Medina, Sergey N. Filippov, Matteo A. C. Rossi, M. S. Kim

发布于 2026-06-30

📖 1 分钟阅读🧠 深度阅读

原作者： M. H. Cheng, Stefano Mangini, V. Bartsch, A. C. Medina, Sergey N. Filippov, Matteo A. C. Rossi, M. S. 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

想象一下你正在试图调试一台非常复杂、充满杂音的收音机。你想确切知道有多少杂音是来自电台本身，有多少是来自你的天线或扬声器。在量子计算的世界里，这种“杂音”被称为噪声（noise），而弄清楚噪声究竟来自哪里对于让这些计算机正常工作至关重要。

长期以来，科学家们一直使用一种叫做**循环基准测试（Cycle Benchmarking, CB）**的工具来测量这种噪声。你可以把 CB 想象成一种方法：你一遍又一遍地播放一个特定的音符（一个量子门），通过观察这个音符随着重复次数增加而变差的过程，你可以计算出噪声。

然而，存在一个重大问题：有些噪声是“无法学习的（unlearnable）”。

问题所在：“耦合”之谜

在量子计算机中，当你执行一个复杂的运算（比如一个连接两个量子比特的 CNOT 门）时，噪声并不会保持独立。它们会纠缠在一起。想象两个正在绕圈旋转的舞者；如果其中一个踉跄了一下，你很难分辨出这次踉跄是因为第一个舞者脚滑了，还是因为第二个舞者的平衡出了问题。

用论文中的术语来说，噪声参数变得“耦合（coupled）”了。标准的循环基准测试只能测量这两个噪声的乘积（例如：“舞者 A 的踉跄 × 舞者 B 的踉跄”），但它无法告诉你究竟哪位舞者才是问题的根源。这在我们的机器理解中留下了一个“盲点”。

解决方案：中途电路测量（Mid-Circuit Measurement, MCM）

作者在这篇论文中引入了一个新技巧：中途电路测量（MCM）。

再次想象那两位舞者。与其只是看着他们旋转直到音乐结束，不如你在音乐进行到一半时按下暂停键，问其中一位舞者：“你还稳吗？”（这就是测量），然后根据这个答案，在音乐重新开始之前决定如何帮助另一位舞者。

在量子世界中，这种“暂停并询问”发生在计算过程之中，而不仅仅是在最后。论文称之为广义循环基准测试（Generalized Cycle Benchmarking）。

它是如何工作的：“延迟前馈（Deferred Feed-Forward）”

这是让数学逻辑成立的高明之处：

测量： 在过程中间测量一个量子比特。
经典技巧： 与其根据测量结果立即物理性地改变量子态（这很难且很慢），研究人员使用了一个叫做**延迟前馈（Deferred Feed-Forward）**的数学技巧。
- 类比： 想象你正在玩电子游戏。你看到前方有一个陷阱。你没有停下游戏去移动角色，而是把“向左移动”写在了一张纸上。你继续玩游戏，直到最后，你将所有的书面笔记应用到最终的分数上。
- 在论文中，他们展示了你可以在实验结束后，在脑海中（或在经典计算机上）完成所有的“修正”。这使得他们能够“撤销”那些此前无法分离的纠缠噪声循环。

“泡利权重失配（Pauli Weight Mismatch）”

论文引入了一个概念叫做泡利权重失配。你可以把它想象成一张地图，告诉你在哪里放置你的“暂停并询问”按钮。

如果两个量子比特上的噪声以某种特定方式纠缠在一起，这张地图会告诉你：“你只需要测量量子比特 2 就能解开这个结。”
这告诉科学家们解决这个谜团所需的最小测量次数，从而节省了时间和资源。

第二个发现：检查“物理规则”

论文还利用这些中途电路测量来检查一个基本假设：噪声是“马尔可夫（Markovian）”的吗？

马尔可夫噪声： 就像掷骰子。下一次掷出的结果并不关心之前发生了什么。它是随机且独立的。
非马尔可夫噪声： 就像一枚有粘性的硬币。如果它落地时是正面，那么它更有可能再次落地为正面，因为它还没有完全重置。

作者发现，通过观察重复测量中“翻转”（从 0 到 1 的变化）的模式，他们可以观察到噪声表现得像是一枚公平的骰子，还是像一枚有粘性的硬币。

结果： 他们发现，在真实的 IBM 量子计算机上，噪声确实是“有粘性”的。存在一种“记忆”效应。具体来说，他们在数据中看到了一个“尾部”，表明系统似乎陷入了一个“泄漏（leaked）”状态（就像球滚进了一个沟壑，需要很长时间才能爬出来）。这是**非马尔可夫动力学（non-Markovian dynamics）**的迹象，而标准工具无法观测到这一点。

现实世界测试

团队在真实的量子计算机（IBM 的“Aachen”和“Pittsburgh”处理器）上进行了测试。

他们成功分离了标准方法无法解开的“无法学习”的噪声对。
他们证明了即使测量是不完美的，只要使用他们新的“暂停并询问”策略，他们也能获得非常准确的噪声图像。
他们证实了“有粘性的硬币”（非马尔可夫）行为在真实硬件中确实存在，这为目前的噪声测量精度设定了极限。

总结

简单来说，这篇论文指出：

旧方法： 我们可以测量噪声，但有些噪声会缠绕在一起，形成我们无法解开的结。
新方法： 通过在执行任务的过程中“暂停”量子计算机来检查状态（并在事后进行数学处理），我们可以解开这些结。
额外收获： 这种新方法还像显微镜一样，揭示了真实量子计算机中的噪声具有“记忆”（它会记住过去的错误），这改变了我们修复它们的方式。

论文结论认为，这种方法将中途电路测量从一个简单的诊断工具转变为理解和修复量子计算机的强大资源。

技术摘要：基于中途测量循环基准测试的不可学习噪声表征

问题陈述
量子噪声表征是误差缓解和量子纠错（QEC）协议验证中的关键瓶颈。标准循环基准测试（Cycle Benchmarking, CB）通过重复循环放大门误差，有效地隔离了态制备与测量（SPAM）误差并表征泡利通道（Pauli channels）。然而，当应用于一般的 $n$ 位量子比特 Clifford 门时，CB 面临一个根本性的限制：诱导出的泡利转移图通常包含耦合的误差参数。具体而言，Clifford 门会诱导泡利传播的不可约循环，使得不同的泡利保真度发生耦合（例如 $\lambda_{P_\alpha}\lambda_{P_\beta}$ ），由于规范自由度（gauge degrees of freedom）的存在，导致单个保真度变得“不可学习”。标准 CB 无法解析这些耦合参数，且不可学习的自由度数量随量子比特数呈指数级增长。此外，标准 CB 假设噪声动力学是马尔可夫（Markovian）的，但在实际硬件中这一条件可能并不成立，而标准协议缺乏诊断非马尔可夫偏差的工具。

方法论
作者提出了广义循环基准测试（Generalized Cycle Benchmarking, GCB），该框架将中途测量（Mid-Circuit Measurements, MCMs）作为主动的层析工具，以解析不可学习的噪声。该方法依赖于三个核心理论与算法支柱：

泡利权重失配与延迟前馈（Pauli Weight Mismatch and Deferred Feed-Forward）： 作者定义了泡利权重失配 $\delta(P_\alpha, P_\beta)$ 为在 Clifford 门 $G$ 下输入与输出泡利算符支撑集之间的位运算差异。在标准 CB 中，若 $\delta \neq 0$ ，则保真度是不可学习的。GCB 协议在 $\delta(P_\alpha, P_\beta)$ 指定的量子比特位置插入 MCMs。通过利用延迟前馈原理，协议证明了经典前馈操作（基于 MCM 结果的条件比特翻转）可以完全在经典后处理中实现。这使得 MCMs 能够有效地将泡利算符“重置”回其初始状态，从而打破 Clifford 诱导的循环，并在不需要实时量子控制的情况下实现噪声参数的解耦。
一致随机工具（Uniform Stochastic Instruments, USI）与可学习性条件： 该框架将噪声化的 MCMs 建模为一致随机工具。
- 精确学习（定理 3）： 如果 MCMs 提供对 $|0\rangle$ 和 $|1\rangle$ 态的高保真投影（具体而言，投影后不发生量子误差），则 MCM 和交织的 Clifford 门的所有泡利保真度都是精确可学习的。至关重要的是，经典读取赋值误差不会影响可学习性，因为它们不会耦合量子噪声参数。
- 近似学习（定理 4）： 在仅 $|0\rangle$ 制备可靠的情景下（这在超导器件中很常见），作者展示了不可学习的对（unlearnable pairs）仍可以被近似求解。通过在 $|0\rangle$ 结果上进行后选择并利用几何-算术平均分解，只要噪声差异足够显著，协议就可以从耦合乘积中分离出单个保真度。
用于非马尔可夫性的二项式分析： 协议引入了一种基于“翻转变量”（连续 MCM 读取结果的变化）统计特性的诊断工具。在可分离马尔可夫噪声的假设下，这些翻转统计量遵循清晰的二项分布。偏离此分布的情况可作为非马尔可夫动力学（例如记忆效应或泄漏）的直接、定量的特征信号，而标准 CB 由于将所有信息塌缩为单一的最终测量，无法观察到这些现象。

核心贡献

解决不可学习噪声： 本文提供了一种系统化方法来打破一般 $n$ 位量子比特 Clifford 门的泡利循环。打破循环的代价由泡利权重失配的汉明重量（Hamming weight）量化，这规定了所需最小的 MCM 数量。
具有 MCM 的 SPAM 鲁棒性： 该框架实现了针对不可学习噪声成分的部分 SPAM 免疫能力，这种能力此前仅限于简单的泡利通道。
统一的噪声表征： 作者证明了带有经典前馈的 MCMs 可以被视为一致泡利噪声学习框架（门集层析术，GST）中的 Clifford 门，从而即使在投影质量不完美的情况下也能实现自洽的表征。
非马尔可夫诊断： 该工作建立了一种检测和量化非马尔可夫动力学（特别是泄漏诱导的记忆和读取不对称性）的方法，通过重复 MCM 的统计属性实现。

实验与数值结果
作者通过数值模拟以及在 IBM 超导量子处理器（ibm-aachen 和 ibm-pittsburgh）上的实验验证了该框架。

数值模拟： 在 CNOT 门和 3-qubit CNOT 阶梯上的模拟证明了提取不可学习噪声对（例如 $\{ \lambda_{0z}, \lambda_{zz} \}$ ）的可行性，并显示该协议具有良好的扩展性，特别是通过利用局部噪声模型来减少 MCM 开销。
实验验证：
- 不可学习噪声： 在两种设备上，GCB 协议成功提取了 CNOT 门的不可学习泡利保真度。GCB 的结果与物理 CPTP（完全正、保迹）界限以及传统层析术进行了基准测试。结果显示，GCB 结果位于 CPTP 界限内，且通常比传统层析术更接近物理极限，证明了其在歧义化耦合噪声方面的卓越精度。
- 非马尔可夫特征： 对 MCM 读取结果的二项式分析揭示了两种截然不同的非马尔可夫特征：
  1. 一种倾向于偶数翻转计数的“锯齿状（zig-zag）”统计偏差，归因于经典读取赋值误差。
  2. 在大翻转计数处出现的翻转分布指数尾部，归因于泄漏诱导的记忆（非马尔可夫相关性）。作者通过对该尾部进行建模，提取了衰减率 $\lambda_d$ ，从而量化了记忆持续时间。

意义与主张
本文声称，中途测量不仅是被动的诊断工具，更是噪声表征的主动资源。这项工作的意义在于：

克服基本限制： 它解决了限制 Clifford 门噪声表征扩展性的“不可学习”自由度问题。
硬件无关性： 虽然是在超导器件上展示的，但该框架是硬件无关的，适用于任何支持 MCM 和经典前馈的平台。
诊断能力： 它提供了一种检测和表征非马尔可夫动力学的新方法，定义了泡利噪声模型的有效运行范畴。
实际应用价值： 作者证明了最先进的超导 MCMs 具备足够的投影质量，能够实现具有部分 SPAM 免疫性的物理一致性噪声学习，为表征更大规模的 Clifford 门及推进误差缓解策略铺平了道路。

文章结论指出，该框架将循环基准测试的范畴从幺正 Clifford 门集扩展到了现代量子处理器中更广泛的动态电路类。