Lifting: Quantum State Discrimination Framework for Mid-Circuit Measurements

量子计算机有望解决经典计算机需要数千年才能解决的问题，但它们极其脆弱。为了运行，它们必须在不断检查错误的同时执行复杂的运算序列。这一过程的一个关键部分是在计算中间测量量子比特（qubit）而不破坏整个计算的能力。这被称为中途测量（mid-circuit measurement）。当对量子比特进行测量时，它会产生一个微弱的微波信号，必须通过解释该信号来确定量子比特处于零态还是一态。然而，在当今使用的超导芯片上，这种信号通常充满噪声且发生畸变。随着计算的进行和量子比特被反复测量，硬件的物理状态会发生退化，使得信号变得更难读取。如果计算机误解了信号，它可能会应用错误的修正，从而导致整个计算失败。

研究人员曾尝试利用人工智能（特别是擅长在杂乱数据中寻找模式的神经网络）来改进这一读取过程。然而，如果这些网络仅观察单个量子比特的信号，其性能存在一个硬性极限。如果噪声导致零态和一态的信号重叠过多，无论如何进行软件训练都无法确定地将它们区分开来。此外，标准的校准方法（即在运行开始前教计算机如何读取信号的方法）往往无法匹配长期复杂计算过程中发生的实际情况。随着电路的运行，信号会发生变化，导致基于过时信息训练的软件无法适应现状。

为了克服这些障碍，来自印第安纳大学和劳伦斯伯克利国家实验室的研究团队开发了一种名为“Lifting”的新框架。Lifting 并非试图完善对单个量子比特的读取，而是改变了获取信息的方式。在测量目标量子比特之前，系统会暂时将其与一个或多个辅助量子比特相连。这创建了一个共享相同状态的量子比特组。随后，系统同时测量所有这些量子比特，捕捉包含目标及其辅助比特在内的综合信号。通过观察这种整体图景而非单一孤立的信号，系统获得了额外的信息，即使在有噪声的情况下也能帮助区分零态和一态。

研究人员在三台不同的 IBM 量子处理器上测试了这种方法。他们发现，仅仅是通过添加辅助量子比特并将其共同测量，就能显著减少状态之间的混淆。然而，团队还发现，训练的时机与硬件本身一样重要。他们创建了一种在电路实际运行时进行读取软件校准的方法，确保计算机能够根据其在实际任务中将面临的精确条件来学习如何解释信号。这种“原位”（in situ）校准考虑了硬件在计算推进过程中发生的变化。

当研究人员将联合测量技术与这种实时校准相结合时，结果非常显著。在一次涉及重复测量的测试中，依赖旧校准方法的标准系统仅能以约 54% 的成功率正确完成任务。而使用结合信号和实时训练的新型 Lifting 框架，在过滤掉最模糊的结果后，将成功率提高到了接近 62%。在涉及纠错和数据隐形传态的其他测试中，新方法也始终优于标准方法。这项研究表明，读取量子计算机的最佳方式不仅是构建更好的解码器，而且是改变提供给它的信息，并使用它在现实世界中将遇到的相同条件来对其进行教学。这种方法为在不需要全新硬件的情况下提高量子计算机的可靠性提供了一条切实可行的路径。