含噪量子处理器通常不会直接返回理想电路预测的期望值。错误缓解尝试利用含噪设备上的实验来估计这个理想值。一种基本方法是有意在不同噪声强度下运行相关实验,再将测得的期望外推到零噪声。它不会修复单次实验中的量子态,其结论依赖于噪声如何被放大。
我们要估计什么?
令 ρ 为电路的理想输出,O 为厄米(Hermitian)可观测量。目标是实数 E0=Tr(Oρ)。假设一族可重复的实验由小噪声强度 p≥0 标记,其期望为 E(p),且 E(0)=E0。这个等式是对包括制备和读出在内的整个实验的假设:当 p=0 时仍存在的误差,不会因外推这个参数而消失。
固定噪声放大倍数 c>1 和噪声强度 p>0,使 p 与 cp 都可实现。两点外推值为
Eext=c−1cE(p)−E(cp).实际上 E(p) 和 E(cp) 由测得的样本均值代替,因此同一个加权公式是一个随机估计量。
概念视角代数
外推就是在零点取值的插值
这个公式就是 Lagrange 插值。通过 (p,E(p)) 和 (cp,E(cp)) 的唯一一次多项式为 L(x)=E(p)p−cpx−cp+E(cp)cp−px−p,在 x=0 取值,便得 E(p) 的权重 c−1c 和 E(cp) 的权重 −c−11。因此只要响应是 p 的仿射函数,估计量就是精确的;而两个权重之和为一,保证常数响应被原样还原。
固定 c>1,假设在零附近
E(p)=E0+ap+bp2+O(p3).
若 E(p)=E0+ap+bp2+R(p),其中小 p 时 ∣R(p)∣≤Kp3,且 c>1 固定,则
Eext=c−1cE(p)−E(cp)=E0−bcp2+O(p3)(p→0).
把展开式分别代入 p 和 cp。常数项给出 (c−1)E0,除以 c−1 得 E0。一次项给出 cap−a(cp)=0。二次项给出 cbp2−bc2p2=−bc(c−1)p2,除以 c−1 得 −bcp2。余项为 (cR(p)−R(cp))/(c−1),其绝对值不超过 (cK+Kc3)p3/(c−1);对固定的 c,这是 O(p3)。
证明透视
抵消从何而来
论证依靠两个假设。E 在二阶内光滑,才能把响应当作带有受控余项的多项式;否则根本没有一次项可消去。权重 c/(c−1) 与 −1/(c−1) 的选取,一方面使其和为一,从而保留 E0,另一方面使 c⋅p−1⋅cp=0,从而消去斜率。曲率 b 没有被触及,因为二次项的权重是 c−c2=0;它以剩余项 −bcp2 的形式保留下来。余项估计用到 c 在 p→0 时固定:若 c 随 1/p 增长,O(p3) 中的常数就不一致。所以弯曲的响应并不会让外推直线通过真实截距。
这个计算说明一阶偏差被抵消,并不说明所有噪声都消失。
可计算的单量子比特例子
取理想输入 ∣0⟩,不施加理想门,并测量 Z,理想期望为 E0=1。假设两个相继的噪声位置各自施加单量子比特退极化信道
Dp(σ)=(1−p)σ+p2I,0≤p≤1,
其中 σ 是密度矩阵。因为 Tr(Z)=0,每次作用都把 Z 的期望乘以 1−p,故 E(p)=(1−p)2。
例题 1.7.3
(在 p=0.1 时把两个噪声位置都加倍)
假设第二个实验将两个位置的噪声都放大到 2p,其他条件不变;这要求 0≤p≤1/2。此时 E(2p)=(1−2p)2,所以
2E(p)−E(2p)=1−2p2.当 p=0.1 时,含噪期望为 0.81,双倍噪声期望为 0.64,外推值为 2(0.81)−0.64=0.98。这与 E0−bcp2 一致,因为此处 b=1、c=2。一次误差已消去,但剩余偏差仍为 −0.02。这个模型有意保持简单:在真实电路中增加门的重复次数,并不会自动在保持理想计算不变的同时将每个噪声信道变成 D2p。实际的噪声放大需要另外论证或校准。
常见错误
(重复一个噪声位置并不等于把 p 加倍)
连续施加两次 Dp,会把 Z 的期望乘以 (1−p)2,所以 Dp∘Dp=D2p−p2,而不是 D2p。在 p=0.1 时,有效强度是 0.19,不是 0.2。把两个位置都重复两次得到 (1−p)4=0.6561,而 E(2p)=0.64。这时两点公式必须使用真实的倍数 c=1.9:(1.9⋅0.81−0.6561)/0.9=0.981,与 1−bcp2=1−1.9(0.01) 相等。若对重复门的数据仍取 c=2,则得 2(0.81)−0.6561=0.9639,误差更大。
假设只有一个噪声位置,施加一次退极化信道于 ∣0⟩,则 E(p)=1−p。此时 b=0,对任何 c>1
c−1c(1−p)−(1−cp)=c−1c−1=1=E0.偏差恰好为零,与插值的观点一致。这个边界情形说明:方法的剩余误差完全取决于响应的曲率,而与 c 的选择无关。
采样代价与解释
假设两个实验的各次测量相互独立,每次测量 Z 得到 ±1。
设 E1,E2 分别是 N1,N2 个独立 ±1 结果的样本均值,真实均值为 E(p) 和 E(2p)。则 2E1−E2 的期望为 2E(p)−E(2p),方差为
N14[1−E(p)2]+N21−E(2p)2.
±1 结果 X 满足 X2=1,故 Var(X)=1−(EX)2。N 个独立副本的样本均值方差为 Var(X)/N。两个实验相互独立,所以 2E1−E2 的方差为 22Var(E1)+Var(E2),即上式。期望由线性性得到。
在总测量次数固定时,缓解可能降低系统偏差,却增大统计不确定性。负权重还可能使估计值落在 [−1,1] 之外,即使每个测量均值都在该区间内;外推数值本身不是一次 Z 测量的结果。
例题 1.7.6
(p=0.1 时的采样代价)
取 E(p)=0.81、E(2p)=0.64。由 N 次测量得到的未缓解样本均值,方差为 (1−0.6561)/N=0.3439/N。对于 N1=N2=N 的外推估计量,
N4(0.3439)+(1−0.4096)=N1.3756+0.5904=N1.966.当 N=104 时,标准差约为 0.0140(外推)和 0.0059(未缓解),相差约 2.4 倍。偏差由 −0.19 减至 −0.02,代价就是这个更大的统计误差。
反例模式
固定的读出错误不会消失
假设真实结果 +1 以概率 α 被误报为 −1,真实结果 −1 以概率 β 被误报为 +1,这两个概率与 p 无关。则报告结果的期望为
F(p)=(1−α−β)E(p)+(β−α).事实上,真实结果的概率为 (1±E(p))/2;对它们应用上述误报概率,就得到这个仿射响应。记 η=1−α−β 和 δ=β−α,其中 0≤α,β≤1。外推值为 2F(p)−F(2p)=ηE0+δ+O(p2),通常不同于 E0。放大模型中的电路噪声并不能消除固定的读出错误。有效的缓解结论应说明哪些误差被改变、哪些保持不变,以及如何评估不确定性。
练习与解答
快速检查
(对 E(p)=E0+ap+bp2,取放大倍数 c=3,计算两点外推及其偏差。)
解答 · 答案
(3E(p)−E(3p))/2=E0−3bp2,偏差为 −3bp2。验算:一次项给出 3ap−3ap=0,二次项给出 3bp2−9bp2=−6bp2,除以 2 得 −3bp2。
快速检查
(在单量子比特例子中取 p=1/4,计算两个期望和外推值。剩余偏差为零吗?)
使用 E(p)=(1−p)2 和 E(2p)=(1−2p)2。
解答 · 答案
E(p)=9/16,E(2p)=1/4,且 2E(p)−E(2p)=7/8;偏差为 −1/8,所以剩余偏差不为零。这与 1−2p2=1−1/8 一致。
快速检查
(为什么 c 极接近一时,有限采样估计会变得不稳定?)
留意权重 c/(c−1) 和 −1/(c−1)。
解答 · 答案
两个权重的绝对值都包含 1/(c−1),会放大采样波动;独立方差分别乘以权重的平方。这并不排除某个远离一的最优选择,其位置取决于噪声响应和测量次数预算。