Lifting：量子中电路测量的量子态判别新框架

当量子计算遇上噪声：中电路测量的可靠性难题

量子计算的核心承诺之一，是突破经典计算的边界。但要真正实现这一承诺，必须解决一个根本问题：噪声。

尤其是中电路测量（Mid-Circuit Measurements, MCMs），它支撑着量子纠错和基于测量结果的条件控制，是容错量子计算的基石。然而在超导硬件上，MCM的可靠性长期受噪声制约。这些操作依赖精确的量子态判别（Quantum State Discrimination, QSD），将测量信号映射为量子态标签。

基于神经网络的QSD在信号分类上已展现出优于传统方法的表现，但其误差仍然受限于可用读出分布的贝叶斯风险下界——这是理论天花板，单靠更好的分类器无法突破。同时，随着测量次数增加和电路执行推进，量子态本身也在退化，静态校准越来越难以代表实际工作负载中的真实条件。

两个挑战叠加，构成了当前MCM可靠性的核心瓶颈。

量子态判别（QSD）是量子信息处理中的一项基本任务：给定一个量子系统经过测量后产生的信号（例如超导量子比特的I-Q电压轨迹），判断其对应的是哪个量子态标签。在理想情况下，不同量子态会映射到信号空间中互不重叠的区域，判别是平凡的。但实际硬件中，由于放大器噪声、量子退相干和态准备误差，不同态的读出分布发生重叠，判别就变成了一个统计推断问题。QSD的目标是在给定观测信号后，以最小错误概率猜出真实态标签。这个最小错误概率与贝叶斯风险密切相关：在已知先验概率和条件分布的情况下，贝叶斯风险给出了任何分类器都不可突破的错误率下界。因此，QSD的性能天花板不是由分类器算法决定的，而是由读出信号本身的信噪比和分布重叠程度决定的。

贝叶斯风险下界是统计决策理论中的经典概念。在量子态判别问题中，如果已知各量子态的先验概率和读出信号的条件概率分布，那么贝叶斯最优分类器的平均错误率就是贝叶斯风险。对于两态判别，它可以用两个分布的重叠面积的一半来解析表达；对于多态判别，则涉及更复杂的优化。关键在于：无论使用多么强大的神经网络或多么先进的信号处理技术，只要读出分布固定不变，分类器的错误率都不可能低于这个下界。这一事实意味着，要真正提升MCM可靠性，仅靠优化分类器是不够的，必须从信息源头——即读出信号的联合分布中——挖掘更多可用于判别的信息。这正是Lifting框架中“重复编码”机制的理论出发点。

Lifting的核心思路：编码、解码与现场校准

针对上述问题，研究团队提出了Lifting框架，通过三个协同机制来提升量子态判别的精度。

重复编码：从固定分布中提取更多信息

Lifting的第一层机制是重复编码。它从目标量子比特和辅助量子比特中采集联合的同相-正交（I-Q）读出信号。关键洞察在于：与其只使用单次测量的信号，不如从固定的联合分布中保留更多通道——理论分析证明，这样做不会增加贝叶斯风险。

这一结论为框架提供了严格的数学基础，意味着更多信息通道的引入是安全的，不会带来判别性能的倒退。

神经网络解码与上下文校准

Lifting的第二个机制是神经解码。在编码提供丰富信号的基础上，神经网络解码器负责将这些信号映射到量子态标签。

但静态训练的解码器面临一个现实问题：电路执行过程中量子态会退化，训练时的数据分布与实际执行时遇到的条件可能不一致。Lifting的解决方案是现场校准（in situ calibration）——解码器会根据执行过程中遇到的实际条件进行上下文校准，使判别模型始终贴近当前工作负载的真实状态。

重复编码在量子纠错中是一个经典概念：将同一个逻辑信息重复编码到多个物理量子比特上，从而在部分量子比特出错时仍能恢复信息。但Lifting中的重复编码含义有所不同——它不是对量子信息本身进行冗余编码，而是对读出信号进行通道扩展。具体来说，在目标量子比特和辅助量子比特的联合I-Q读出中，除了通常使用的单次测量信号，还可以利用多次采样、时间分辨轨迹、或者辅助比特与目标比特的关联信号作为额外的信息通道。这些额外通道来自同一个固定联合分布，因此不改变问题的统计结构。理论分析表明，增加这些通道不会使贝叶斯风险上升，因为最优分类器可以自由忽略无用的通道。但反过来，如果这些通道中包含了与量子态相关的额外信息，最优分类器就能利用它们降低实际错误率。

理论保证：为什么更多通道不会让结果变差

Lifting的一个有说服力的理论贡献，是证明了从固定联合分布中保留额外通道无法增加贝叶斯风险。

贝叶斯风险是QSD的性能下界，传统方法只能无限逼近它。Lifting没有试图绕过这个下界，而是通过扩展信息通道来降低实际可达的误差。

此外，研究还建立了基于重叠的上界收缩的充分条件。这意味着在特定条件下，判别误差的上界可以收窄，从而为实际性能提供更强的保证。这一分析将工程设计与统计学习理论衔接起来，避免了纯经验调参的盲目性。

实验验证：三台IBM处理器的真实工作负载

Lifting在三台IBM量子处理器上进行了评估，覆盖三类典型工作负载：

• 重复稳定子测量：量子纠错中的基础操作
• 奇偶校验测量：错误检测的关键环节
• 量子隐形传态：涉及条件控制和测量的完整协议

这些工作负载共同的特点是依赖MCM的准确性。实验在三台不同处理器上展开，也提供了一定程度的跨硬件一致性验证。

意义与局限

Lifting的价值在于将QSD从孤立的分类问题，扩展为面向电路执行全过程的动态判别框架。编码层面挖掘联合分布的信息潜力，解码层面用神经网络拟合复杂映射，校准层面应对态退化带来的分布漂移——三层设计对应了三类不同的误差来源。

提一嘴，该框架的实验验证限于IBM超导平台，在其他量子硬件架构（如离子阱、光量子）上的适用性尚待验证。此外，现场校准需要额外的执行开销，其成本收益比在不同规模电路上的变化也值得进一步研究。

对于关注量子纠错和容错量子计算的研究者而言，Lifting提供了一条在现有噪声水平下提升MCM可靠性的可行路径——它不要求硬件层面的突破，而是从信号处理和统计学习的角度挖掘已有读出信号中的信息。

超导量子处理器是目前量子计算领域最成熟的硬件平台之一。它使用约瑟夫森结作为量子比特，在稀释制冷机中工作在约10毫开尔文的极低温环境下。超导量子比特的读出通常通过色散耦合实现：量子比特的状态会轻微改变与之耦合的微波谐振腔的共振频率，该频率变化再被外差解调为同相-正交（I-Q）平面上的电压信号。这种读出方式速度快，但信号噪声大、保真度有限，且读出过程本身会破坏量子态。IBM的量子处理器（如Eagle和Heron系列）采用固定频率或可调频率的transmon量子比特架构，其读出保真度通常在98%到99.5%之间。中电路测量则要求在执行量子电路的过程中间进行读取，这不仅需要快速的读出，还要求测量后量子比特能被重置并继续参与后续门操作，这对硬件和判别算法都提出了更高要求。