⚛️ quantum physics

Hardware-Efficient Error Mitigation and Shot-Efficient Sampling on IBM Quantum Hardware

本文在受限的执行预算下，通过实验评估了 IBM 量子硬件上误差缓解技术与有限采样之间的权衡，从而提供了关于缓解策略何时能提高估计精度、以及何时会被采样波动抵消其收益的硬件感知特征表征。

原作者： Sumit Chongder (Indian Institute of Technology Jodhpur)

发布于 2026-08-31

📖 1 分钟阅读🧠 深度阅读

原作者： Sumit Chongder (Indian Institute of Technology Jodhpur)

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

在服务器房静谧的嗡鸣声中，一种新型计算机正在学习思考。这些由冷却至比深空还要冷的超导电路构建而成的机器，有望解决当今超级计算机需要数千年才能破解的问题。但问题在于：这些量子计算机极其脆弱。哪怕是最轻微的震动或热量，都会导致它们的计算出错。由于我们目前还无法制造出完全免疫这些误差的机器，科学家们开发了一套被称为“误差缓解”（error mitigation）的技巧。这些技巧并不能修复机器损坏的部分；相反，它们试图通过多次运行相同的计算并寻找错误中的模式，来推测正确答案应该是多少。人们希望通过结合这些带有噪声的结果，能从静态噪声中提取出清晰的信号。

然而，这些技巧隐藏着代价。为了获得更好的推测，计算机必须运行更多的计算次数，这会消耗一种被称为“采样次数”（shots）的有限资源，即机器被要求测量其结果的次数。如果你花费过多的采样次数来纠正误差，最终得到的可能是一个比你只运行几次计算并接受噪声时更不准确的结果。这种在修复错误与耗尽尝试次数之间的张力，正是研究人员试图解决的核心谜题。他们需要确切知道这些纠错方法在何时有效，以及在何时反而会让情况变得更糟，特别是在当今现有的真实机器上。

印度理工学院焦特布尔分校的一位研究人员决定在一部真实的、正在运行的量子计算机上测试这种平衡。他们使用了一台来自 IBM 的强大的 156 位量子比特处理器，这台机器代表了当前技术的尖端水平。他们的目标不仅是观察误差纠正是否奏效，还要通过保持总尝试次数固定来公平地衡量它。想象一下，你有一段固定的时间来拍摄一个移动物体的照片。你可以拍一张长曝光的照片，但这可能会模糊；或者你可以拍许多快速快照并将它们组合起来。研究人员想知道，在总时长相同的情况下，通过特定的数学配方将许多快照进行组合，是否真的能比只拍一张长曝光照片得到更清晰的图像。

研究人员设置了一系列使用不同类型电路（即给计算机的指令）的实验。他们测试了简单的量子比特链、重复的操作模式，以及一种用于优化问题的特定类型的计算。他们将原始的、未经纠正的结果与几种纠错策略进行了对比。其中一种策略是针对机器读取最终答案时发生的误差进行纠正。另一种策略是通过在不同水平的人造噪声下运行计算，然后从数学上推测如果没有噪声，结果会是什么。他们还测试了一种智能的自适应方法，该方法试图根据特定部分看起来有多嘈杂，来决定运行该部分计算的次数。

结果令人惊讶且富有层次感。研究人员发现，这种智能自适应方法并不总是自动胜出。事实上，当他们将智能方法与每部分计算运行次数相同的简单均匀方法进行比较时，智能方法仅在六个不同场景中的两个场景中表现更好。在其他四个场景中，简单的均匀方法实际上更准确。这表明，不断根据初步噪声检查来调整投入次数的复杂策略并不保证能带来提升。有时，为了在何处投入采样次数而进行的“聪明”尝试，反而导致了更差的最终答案。

另一个关键发现是，这些纠错方法并不总是能像科学家预期的那样修复偏差（即系统性误差）。对于一种涉及上下状态模式的特定类型计算，旨在消除噪声的方法反而使误差比之前变得更大了。研究人员观察到，当计算机被要求测量一个非常接近可能极限的值时，用于消除噪声的数学技巧有时会过度补偿，从而使答案离真相更远。尽管这种方法被广泛使用且备受信任，但这种情况依然发生了。这表明这些工具并非在任何情况下都奏效的魔杖；它们有时会在试图解决旧问题的同时引入新问题。

这项研究还强调了计算机自身物理布局的重要性。研究人员发现，仅仅选择芯片上的哪几根导线进行计算，就会产生巨大的差异。当他们使用一对已知为低误差的导线时，结果明显优于使用同一块芯片上已知为高误差的导线对。这两对导线之间的质量差异如此之大，以至于可以与增加几层计算复杂度所带来的差异相媲美。这意味着，在尝试用软件修复误差之前，仔细选择运行代码的机器最佳物理部件可能同样重要。

最终，研究人员得出结论，不存在一种通用的规则来决定何时使用误差缓解。这完全取决于具体的机器、运行的具体计算以及可用的尝试次数。在他们测试的这台 IBM 处理器上，他们测试的自适应采样分配策略并不优于简单的均匀方法。在许多情况下，标准的误差纠正方法增加了结果的不确定性，而不是减少了它。研究人员发布了他们所有的数据、代码以及使用的确切指令，以便他人可以重复这些实验。他们的工作提醒我们，在当前充满噪声的量子计算世界中，最复杂的解决方案并不总是最好的，在决定应用这些强大但代价高昂的修复手段之前，需要进行仔细且诚实的测试。

技术摘要：IBM 量子硬件上的高效采样误差缓解技术

问题陈述
量子误差缓解（QEM）技术，如零噪声外推（ZNE）和读取误差校正，是提高噪声中等规模量子（NISQ）硬件上期望值准确性的标准工具。然而，这些方法并非没有代价：它们通常以增加统计方差为代价来降低系统偏差。在固定的测量采样预算（shot budget）下，这种权衡产生了一个“助益-损害”边界，即缓解技术可能无法改善、甚至比原始估计更糟的总均方误差（MSE）。

现有的基准测试研究通常只报告准确性的提升，而未考虑实现这些提升所需的额外采样成本，这使得在采样预算受限时，难以判断进行误差缓解是否值得。此外，尽管已经提出了用于优化方差的自适应采样分配策略（例如 Neyman 分配），但其在固定预算下在物理硬件上的经验表现仍缺乏深入研究，特别是关于它们是否优于简单的均匀分配。

方法论
作者提出了一个经过硬件验证的基准测试协议，该协议将总测量采样数视为一个固定的实验变量。该研究是在使用 Qiskit Runtime V2 原语的 156 位 IBM 量子 Heron 处理器（ibm_marrakesh）上进行的。

关键方法组成部分包括：

偏差-方差分解： 研究并非仅报告原始准确性，而是通过将 MSE 分解为偏差和方差分量来评估误差缓解策略。
硬件特性表征： 作者利用特定的校准快照来选择低误差比特链和一个刻意设置的高误差耦合边，以研究连通性效应。
电路族： 测试了三种电路类型：
- GHZ 态（2, 4, 6 个比特）以探测多比特相关性的衰减。
- 重复层电路（ $L \in \{1, 2, 4, 8\}$ ）以分析深度缩放和双比特门计数。
- 用于应用相关基准测试的四节点环图 QAOA MaxCut。
对比的误差缓解策略：
- M0： 原始估计。
- M1： 读取缓解（混淆矩阵校正）。
- M2： 均匀 ZNE（单元折叠，噪声因子 $\lambda \in \{1, 3, 5\}$ 且采样分配相等）。
- M3： 自适应 ZNE (ASB-ZNE)，它使用小型试点运行（每个因子 100 次采样）来估计每个因子的方差，并根据 Neyman 最优规则分配剩余预算（ $N_i \propto |w_i|\hat{\sigma}_i$ ）。
- M4： 动力学解耦（XY4 序列），用于抑制空闲时间误差。
固定预算对比： 核心实验对比了均匀 ZNE 和 ASB-ZNE 在六个匹配的总采样预算（ $B \in \{900, \dots, 21000\}$ ）下的表现，确保了两者的总成本（ $N_{shots} \times N_{circuits}$ ）完全相同。

关键结果

采样噪声缩放： 硬件上的经验方差在中小到大采样数范围内符合理论上的 $1/N$ 缩放，建立了可靠的统计底线。
连通性效应： 比特耦合器的选择对结果的影响程度与增加多个电路层深度相当。在低误差耦合器上测得的双比特相关器 $\langle ZZ \rangle = 0.909$ ，而在来自同一校准快照的高误差耦合器上，该测量值降至 $0.751$。
缓解与偏差：
- 对于测试的观测值，读取缓解提供的偏差减少微乎其微。
- 对于一个对偏差敏感的宇称（parity）观测值，标准 ZNE 相对于原始测量增加了偏差，这与 Richardson 外推法在真实值接近边界时存在的已知不稳定性一致。
- 动力学解耦在浅深度时提供了轻微改进，但在双比特门误差占主导地位的深层电路中，其效果无效甚至产生了负面影响。
自适应与均匀分配：
- 自适应 ASB-ZNE 策略并未一致地优于均匀分配。
- 在六个测试的预算中，自适应分配仅在两种情况下降低了 MSE（比例分别为 0.998 和 0.988）。在其他四种情况下，其表现更差，MSE 比例范围从 1.47 到 5.96 不等。
- 平均 MSE 比率（自适应/均匀）为 2.16。
- 失败原因： 研究将其归因于这些电路中的误差是由偏差主导而非方差主导的。Neyman 分配最小化了方差，但无法纠正外推模型本身引入的偏差。在某些情况下，自适应规则将更多采样分配给了具有更高噪声因子的项（较大的 $\lambda$ ），而这些项携带了更大的偏差，从而增加了总 MSE。
QAOA 基准测试： 对于 QAOA MaxCut 观测值，原始硬件执行高估了理想能量。ZNE 在更高噪声因子下的测量值向相同方向进一步偏移，且向 $\lambda \to 0$ 的外推在定性上指向了理想值，尽管由于时间限制，未完成针对 QAOA 的完整固定预算对比。

意义与主张
本文并不声称提出了新的外推算法或新颖的自适应策略。相反，其贡献在于提供了一个在真实硬件上、严格固定采样预算下的实验性评估。

作者得出结论：

误差缓解和自适应采样策略不应被视为通用默认手段。
误差缓解的收益高度取决于特定的设备、电路族、采样预算以及误差的性质（偏差型还是方差型）。
在所测试的设备上，基于简单试点方差的 ZNE 自适应分配通常劣于均匀分配，因为它未能解决偏差主导的误差区间。
具备硬件感知能力的比特和耦合器选择，其效果可能与事后误差缓解相当，甚至更具成本效益。

该研究倡导一种“固定预算、方差感知”的误差缓解视角，敦促从业者在部署误差缓解技术之前，应先验证预期的误差减少是否超过了其带来的额外采样成本。完整的协议、校准数据和分析代码已发布，以支持在其他 IBM 量子后端上的复现。

技术摘要：IBM 量子硬件上的高效采样误差缓解技术

类似论文