想象一下，你正试图在一个非常嘈杂的房间里传递一条秘密信息。如果你只低声耳语一次，对方听到的可能是“苹果”，而你实际说的是“杏”。为了确保他们听对了词，你可能会把这条信息大声喊上一百遍。如果60个人听到了“苹果”，40个人听到了“杏”，你就能推测出真相。在量子计算的世界里，这种“大声喊叫”被称为采样（shot）。量子计算机是一种利用微观粒子奇特规则来解决问题的机器，但它对噪声极其敏感——就像是在飓风中低声细语。因此，科学家必须一遍又一遍地运行相同的计算（进行多次采样）才能得到可靠的答案。问题在于，每当你在一台真实的量子计算机上运行一次计算，都会消耗金钱、时间和大量能量。所以，对于任何试图使用这些机器的人来说，最大的问题是：“我到底需要喊多少次才能确定我是对的？”如果你喊得太少，得到的是垃圾；如果你喊得太多，则会浪费资源，甚至可能在完成之前就耗尽时间或资金。

这正是 Prateek P. Kulkarni 和 Sumit K. Mandal 在其论文《需要多少次采样？》（How Many Shots Does It Take?）中所解决的难题。他们意识到，目前人们通常是在靠猜来决定要进行多少次采样，往往为了保险起见而喊得太多了。作者们构建了一种基于数学的新型“配方”，它能根据你特定计算机的噪声水平，告诉你运行一次量子计算究竟需要精确的次数，从而获得可靠的结果。这就像是一个天气应用，它不仅会告诉你“可能会下雨”，还会根据湿度和风速准确地告诉你需要买多少件雨衣。

但这里还有第二个转折。有时，一个量子问题过于庞大，以至于计算机无法一次性解决它。这就像试图把一架巨大的钢琴搬上一个过窄的楼梯；你必须把钢琴拆成碎片，一次搬一段，然后再把它们重新组装起来。作者发现，仅仅给每一块钢琴碎片投入同样的精力（相同的采样次数）是一个糟糕的主意。有些碎片可能更重或者更滑（噪声更大）。他们的新方法能够计算出如何精准地分配你的“喊叫预算”，让那些容易打滑的部分得到额外的关注，而简单的部分只需给予足够的关注即可。

在实验中，他们将这一理念应用于来自 IBM 的真实量子计算机。他们发现，通过使用这种新公式，与目前的做法相比，他们可以将所需的采样次数减少约 58%。这不仅仅是小幅节省；这意味着能节省高达 62% 的能量。此外，当他们将大问题拆解并使用这种智能分配策略时，与传统的做法相比，他们将最终答案的总误差降低了高达 73%（平均降低了 63%）。他们并非仅仅靠猜测，而是通过在真实硬件上运行算法，证明了他们的数学模型符合现实，其关于采样次数的预测准确率约为 98%，而在确定计算在变得过于混乱之前能进行多深之前，其预测准确率约为 95%。

嘈杂耳语的故事

为了理解为什么这很重要，让我们看看量子计算机是如何工作的。不同于你的笔记本电脑使用非 0 即 1 的比特，量子计算机使用“量子比特”（qubits），它们可以同时处于两种状态的混合之中。这使得它们功能强大，但也极其脆弱。一旦它们与外界发生相互作用，就会变得“多噪”并失去其特殊状态。为了修复这一点，科学家会反复运行同一个程序。每一次运行就是一次“采样”。

想象一下，你正试图通过一层雾气弥漫的窗户来猜测一群人的平均身高。如果你只看一次，你可能会认为他们都是巨人。如果你看十次，你会得到一个更好的概念。如果你看一千次，你会非常精确地知道平均身高。但看一千次既费时又会让你的眼睛疲劳。作者们问道：“我至少需要看多少次，才能有 95% 的把握确定我是对的？”

他们发现，答案取决于两件事：你的眼睛有多好（计算机的质量）以及雾有多厚（噪声）。他们写出了一个闭合形式的方程——一个简洁的单一数学公式——该公式可以获取计算机的规格参数（例如量子比特在消散前能维持多久的时间，即 $T_1$ 和 $T_2$），并告诉你所需的精确采样次数。在此之前，人们通常只是随机选择一个很高的数字以求稳妥，这就像是在只需要喊 400 次的时候却喊了 1000 次。

破碎钢琴的谜题

现在，假设你有一个量子问题，它太大以至于计算机无法一次性承载。计算机有一个“深度限制”，这就像是它在变得疲惫并出错之前所能执行的最大步数。如果你的问题有 1200 个步骤，但计算机只能处理 285 个，你就必须把问题拆分成较小的块。

过去处理这种问题的方法是将问题切碎，并给每一块分配相同次数的采样。作者认为，这就像是给一个沉重且湿滑的箱子和一个轻便且干燥的箱子提供同样多的力量来搬上山一样。沉重的箱子需要更多的帮助！在量子世界中，电路的某些部分比其他部分“噪声更大”。如果你不给这些噪声较大的部分额外的采样，最终答案就会出错。

作者们使用了一种名为“拉格朗日乘数法”（Lagage multipliers）的数学工具创建了一种新策略（你可以把它想象成一个能够平衡天平的超级聪明计算器）。他们得出结论，你应该给电路中噪声较大的部分更多的采样，而给安静的部分较少的采样。他们证明了这种方法能使总误差最小化。

他们的发现

当作者在真实的 IBM 量子计算机（具体为 Marrakesh、Torino 和 Fez 模型）上测试他们的想法时，结果令人印象深刻。

1. 采样次数： 他们的公式预测所需采样次数的准确率约为 98.2%。例如，在测试量子傅里叶变换（QFT）算法时，他们的预测误差仅为 1.87% 左右。这意味着他们可以准确地告诉你运行代码的次数，而不会浪费时间。
2. 能源节省： 由于他们减少了所需的采样次数，平均减少了 58%，因此他们也降低了能耗。在测试中，每 1000 次采样可节省高达 62% 的能量。这就像是一辆汽车突然提高了 60% 的燃油效率。
3. 误差减少： 当他们将大问题拆解并使用智能分配策略时，与标准的“等分法”相比，他们将总误差平均降低了 63%。在最佳情况下，误差降低幅度达到了 73%。

他们还检查了一个电路在变得过于嘈杂而无法使用之前可以进行多深。他们的数学模型预测这种“最大深度”的准确率约为 95%。这有助于科学家在开始编码之前，就明确知道在特定机器上可以解决多大规模的问题。

为什么这改变了现状

这篇论文提供的不仅仅是一个新理论，它还为当前的量子计算时代——通常被称为“含噪声中等规模量子”（NISQ）时代——提供了一个实用的工具。目前，量子计算机既昂贵又难以获取。研究人员每运行一次任务，都在消耗金钱和时间。通过使用这种“感知噪声”的框架，研究人员可以停止猜测，开始进行真正的计算。他们可以用更少的采样次数运行算法，节省能量，并获得更准确的结果。

作者们展示了，通过理解噪声并明智地分配资源，即使在尚未拥有完美的、无误差的未来机器之前，我们也能让现在的量子计算机变得更加有用。这提醒我们，有时前进的最佳方式并不是建造一台更大的机器，而是更聪明地使用我们现有的机器。