这类量子计算实验报告最值得先看的不是理论推导，而是它到底在什么硬件上跑了什么任务、用了哪些配置、结果怎么判断稳定性。对于做量子算法实测的人来说，最怕的就是论文里的结果在自己环境下复现不出来，或者根本不知道该怎么判断一个量子线路在真实硬件上的表现。
下面我会围绕“四量子比特 ZZ 量子核在 IBM 量子硬件上的状态向量参考几何存活率”这个主题，拆解清楚三个关键问题：这个实验到底在测什么、三种执行配置怎么选、怎么从输出里判断线路是否稳定。我会尽量避开纯数学表达，多用工程化的语言解释每一步的意图和判断标准。
1. 先弄明白“状态向量参考”和“几何存活率”到底在测什么
很多人一看到“Statevector-Referenced Geometry Survival”这种术语就容易头大，其实它要解决的问题很实际：当你在模拟器里设计了一个量子线路（比如这个四量子比特的 ZZ 量子核），放到真实量子硬件上跑的时候，由于噪声和误差，结果会偏离理想值。这个实验就是在量化这种偏离程度。
1.1 “状态向量参考”是什么意思
状态向量（Statevector）是量子系统状态的数学表示。在模拟器里，你可以直接拿到理想的状态向量；但在真实硬件上，你只能通过测量得到概率分布。
“状态向量参考”指的是把模拟器计算出的理想状态向量作为基准，然后比较硬件运行结果与这个基准的接近程度。它比单纯对比测量概率更精细，因为状态向量包含了相位信息。
在实际操作中，你一般会这样处理：
- 在模拟器（如 Qiskit 的
AerSimulator）上运行线路，保存最终状态向量。 - 在真实硬件上运行同一线路多次（比如 8192 shots），得到测量结果的统计分布。
- 将硬件测量结果反向推导出一个“实验状态向量”（需要做量子态层析之类的处理）。
- 比较两个状态向量的相似度。
这个相似度就是“几何存活率”的基础。
1.2 “几何存活率”怎么计算和判断
几何存活率（Geometry Survival）通常指通过保真度（Fidelity）或迹距离（Trace Distance）等度量来量化实际结果与理想结果的接近程度。
保真度的计算方式是：F = |⟨ψ_ideal|ψ_exp⟩|²，其中 ψ_ideal 是理想状态向量，ψ_exp 是实验估计的状态向量。
在工程实践中，你不需要手动计算这些。Qiskit 的量子态层析模块（qiskit.ignis.verification.tomography）或者现在的qiskit-experiments库可以直接帮你完成这个流程。
判断标准很直接：
- 保真度越接近 1，说明硬件运行结果越理想。
- 一般超过 0.9 就算不错，超过 0.95 说明硬件状态很好。
- 低于 0.8 可能意味着线路太复杂或硬件噪声太大。
这个指标比单纯看任务成功率（Success Probability）更能反映量子相干性的保持能力。
1.3 为什么选择四量子比特和 ZZ 量子核
四量子比特是当前云量子硬件能稳定处理的上限之一。超过这个规模，噪声会显著影响结果。
ZZ 量子核（ZZ Quantum Kernel）是一种常见的量子机器学习特征映射线路，它通过 ZZ 相互作用（受控相位门等）来编码经典数据。选择这个核是因为：
- 它包含两量子比特门，能测试硬件执行纠缠操作的能力。
- 它在量子支持向量机等算法中实际使用，有应用价值。
- 线路深度适中，既能体现硬件性能，又不会复杂到完全被噪声淹没。
当你自己设计测试时，也可以参考这个思路：选一个有一定深度、包含多量子比特操作、但有明确理想结果的线路。
2. 三种执行配置的区别和选择策略
从标题中的“Across Three Execution Configurations”可以看出，实验比较了三种不同的运行方式。虽然原文没有详细说明，但基于 IBM Quantum 平台的常见选项，这三种配置很可能涉及编译优化级别、动态解耦错误抑制、脉冲控制等差异。
2.1 配置一：基础编译与默认执行
这是最简单的配置，对应直接使用backend.run(circuit)不加任何优化参数。
在 Qiskit 中，这通常意味着：
- 编译优化级别为 1（基础优化）。
- 使用硬件默认的校准参数。
- 没有主动错误抑制。
这种配置的优点是简单、运行快，适合快速验证线路是否能正常执行。缺点是噪声影响最大，几何存活率通常最低。
我一般会先用这个配置跑一次，如果保真度已经接近 0.9，说明硬件状态和线路设计都还不错。如果低于 0.7，可能需要对线路或硬件选择进行调整。
2.2 配置二：中等优化与错误抑制
这种配置会启用一些基本的错误缓解技术，比如：
- 编译优化级别提高到 2 或 3，让编译器更好地重排门操作以减少深度。
- 使用动态解耦（Dynamic Decoupling）在空闲时间插入脉冲来抑制退相干。
- 可能包含测量错误校准和修正。
在 Qiskit 中，你可以通过transpile函数的优化级别、添加动态解耦通道，以及使用ignis.mitigation模块来实现这些功能。
这个配置的运行时间会比基础配置长，但几何存活率应该有明显提升。如果你的实验对精度要求较高，但又不追求极限性能，这个配置是最平衡的选择。
2.3 配置三：高级优化与脉冲级控制
这是最复杂的配置，可能涉及：
- 脉冲级门定义，替代标准的门级线路。
- 自定义编译策略，针对特定硬件拓扑优化。
- 高级错误抑制，如零噪声外推（ZNE）或概率错误消除（PEC）。
这种配置需要更深入的硬件知识和更长的准备时间，但能获得最高的几何存活率。它适合已经确定线路设计，需要最大限度提升性能的场景。
选择策略很明确：
- 初次测试用配置一。
- 正式数据采集用配置二。
- 对精度有极端要求时再考虑配置三。
不要一上来就追求最高配置，先确认基础配置下线路能正常运行，再逐步加优化。
3. 在 IBM Quantum 硬件上的具体操作流程
现在我把整个实验流程拆解成可操作的步骤。假设你使用 Qiskit 和 IBM Quantum 平台。
3.1 环境准备和硬件选择
首先确认环境：
# 基础环境 python>=3.8 qiskit>=0.45 qiskit-ibm-runtime>=0.20 qiskit-experiments>=0.5 # 用于态层析和保真度计算硬件选择要考虑以下几点：
- 量子比特数：至少 4 个，最好有冗余。
- 拓扑结构：确保 4 个量子比特能直接连接，避免过多的 SWAP 门。
- 校准数据：选择 T1、T2 较长，门误差较小的硬件。
- 排队时间：如果做多次运行，选排队短的机器。
我一般会先用ibm_quantum服务查看可用后端：
from qiskit_ibm_runtime import QiskitRuntimeService service = QiskitRuntimeService() backends = service.backends(simulator=False, operational=True) for backend in backends: props = backend.properties() num_qubits = backend.num_qubits # 检查4量子比特连通性 # 查看最新校准数据3.2 构建四量子比特 ZZ 量子核线路
ZZ 量子核的典型结构是：先哈达玛门创建叠加态，然后一系列受控相位门编码数据，最后再哈达玛门测量。
一个简单的四量子比特版本：
from qiskit import QuantumCircuit import numpy as np def create_zz_kernel(num_qubits=4, parameters=None): """创建ZZ量子核线路""" if parameters is None: parameters = np.random.random(num_qubits * (num_qubits - 1) // 2) qc = QuantumCircuit(num_qubits) # 初始哈达玛门 for i in range(num_qubits): qc.h(i) # ZZ相互作用层 param_idx = 0 for i in range(num_qubits): for j in range(i+1, num_qubits): # 受控相位门，参数化 qc.cp(parameters[param_idx], i, j) param_idx += 1 # 最终哈达玛门 for i in range(num_qubits): qc.h(i) return qc # 创建线路 zz_circuit = create_zz_kernel() print(zz_circuit.draw())这个线路包含了所有量子比特之间的两两相互作用，能充分测试硬件的纠缠能力。
3.3 在模拟器上获取理想状态向量
在跑真实硬件前，先在模拟器上获取基准：
from qiskit import Aer from qiskit.quantum_info import Statevector # 方法一：直接使用Statevector模拟 simulator = Aer.get_backend('statevector_simulator') ideal_result = simulator.run(zz_circuit).result() ideal_statevector = ideal_result.get_statevector() # 方法二：使用量子态层析（更接近硬件处理流程） from qiskit_experiments.library import StateTomography tomo_exp = StateTomography(zz_circuit) tomo_data = tomo_exp.run(Aer.get_backend('qasm_simulator'), shots=8192) ideal_fidelity = tomo_data.analysis_results("state_fidelity").value保存这个理想状态向量或保真度，作为后续比较的基准。
3.4 配置并运行三种硬件执行方案
现在分别实现三种配置：
配置一：基础运行
from qiskit import transpile # 选择硬件后端 backend = service.least_busy(min_num_qubits=6) # 留出冗余量子比特 # 基础编译 transpiled_circuit = transpile(zz_circuit, backend, optimization_level=1) # 提交任务 job_basic = backend.run(transpiled_circuit, shots=8192) result_basic = job_basic.result()配置二：中等优化
from qiskit.transpiler import PassManager from qiskit.transpiler.passes import DynamicalDecoupling # 更高优化级别编译 transpiled_opt = transpile(zz_circuit, backend, optimization_level=3) # 添加动态解耦（需要硬件支持） dd_sequence = [XGate(), XGate()] # 简单XX序列 dd_pass = DynamicalDecoupling(dd_sequence, qubits=range(4)) pm = PassManager([dd_pass]) transpiled_dd = pm.run(transpiled_opt) job_optimized = backend.run(transpiled_dd, shots=8192)配置三：脉冲级控制（高级）
from qiskit import schedule from qiskit import pulse # 将门线路转换为脉冲调度 scheduled_circuit = schedule(transpiled_opt, backend) # 这里可以自定义脉冲形状、时间等 # 需要详细的硬件知识和更复杂的代码 job_advanced = backend.run(scheduled_circuit, shots=8192)实际使用时，配置三的实现复杂度很高，通常需要硬件厂商提供特定支持。
3.5 计算几何存活率并比较结果
对每个配置的结果进行态层析分析：
from qiskit_experiments.library import StateTomography def analyze_configuration(job, circuit, ideal_statevector): """分析单个配置的几何存活率""" result = job.result() # 执行态层析分析 tomo_exp = StateTomography(circuit) tomo_data = tomo_exp.run(backend, analysis_options={'target': ideal_statevector}) # 获取保真度 fidelity = tomo_data.analysis_results("state_fidelity").value return fidelity # 分析三种配置 fidelity_basic = analyze_configuration(job_basic, zz_circuit, ideal_statevector) fidelity_optimized = analyze_configuration(job_optimized, zz_circuit, ideal_statevector) fidelity_advanced = analyze_configuration(job_advanced, zz_circuit, ideal_statevector) print(f"基础配置保真度: {fidelity_basic:.4f}") print(f"优化配置保真度: {fidelity_optimized:.4f}") print(f"高级配置保真度: {fidelity_advanced:.4f}")几何存活率就是这些保真度值。你可以清楚地看到不同配置对结果质量的提升。
4. 结果解读和实际应用建议
拿到几何存活率数据后，关键是怎么解读和用在实际项目中。
4.1 如何判断结果是否可接受
保真度的判断标准因应用而异：
- 算法开发阶段：>0.8 即可，重点看线路设计是否合理。
- 概念验证：>0.9 比较理想，能证明量子优势可能。
- 生产应用：需要 >0.95，且多次运行稳定。
除了绝对数值，还要看不同配置间的相对提升：
- 如果配置二比配置一提升明显（比如从 0.7 到 0.85），说明错误抑制有效。
- 如果配置三提升有限，可能意味着线路本身已经接近硬件极限。
- 如果所有配置都很低（<0.6），可能需要简化线路或换更好的硬件。
4.2 几何存活率与算法性能的关系
几何存活率高的线路，在实际算法中通常表现更好，但这不是绝对的。还需要考虑：
- 算法敏感度：有些算法对特定误差不敏感。
- 误差缓解：即使保真度不高，通过后处理也可能得到可用结果。
- 任务规模：小规模测试的保真度不能直接外推到大规模任务。
我建议把几何存活率作为硬件选择和线路优化的参考指标，而不是唯一标准。
4.3 在实际项目中的使用流程
当你要在真实硬件上运行量子算法时，可以按这个流程：
- 设计验证阶段：在模拟器上完成算法设计和参数调优。
- 硬件适配阶段：选择 2-3 个候选硬件，用几何存活率测试基准线路。
- 配置优化阶段：在选定的硬件上测试不同执行配置，找到性价比最高的方案。
- 批量运行阶段：用优化后的配置运行完整算法，监控每次运行的质量。
- 结果校正阶段：根据需要应用误差缓解技术。
这个流程能帮你平衡开发效率和结果质量。
5. 常见问题排查和优化建议
在实际操作中，你会遇到各种问题。下面是我积累的一些排查经验。
5.1 几何存活率过低怎么办
如果保真度持续低于 0.7，按这个顺序排查：
首先检查硬件状态：
from qiskit_ibm_provider import IBMProvider provider = IBMProvider() backend = provider.get_backend('ibm_brisbane') # 以实际后端为例 # 查看关键指标 print(f"T1 中位数: {np.median([backend.properties().t1(q) for q in range(4)]):.3e}") print(f"T2 中位数: {np.median([backend.properties().t2(q) for q in range(4)]):.3e}") print(f"单量子比特门误差中位数: {np.median([backend.properties().gate_error('sx', [q]) for q in range(4)]):.3e}")T1 < 100μs 或门误差 > 0.01 可能影响结果质量。
然后检查线路设计：
- 线路深度是否过长（>50 层）。
- 是否包含很多串行的两量子比特门。
- 拓扑映射是否合理，是否需要大量 SWAP 操作。
最后检查执行配置：
- Shots 数是否足够（至少 8192）。
- 动态解耦参数是否适合当前硬件。
- 编译优化是否真正生效。
5.2 不同硬件间的结果差异很大怎么办
这是正常现象。量子硬件性能差异显著，选择策略是：
- 优先选择校准新、队列短的机器，即使量子比特数不多。
- 测试多个硬件，选择几何存活率最高且最稳定的。
- 考虑硬件拓扑，选择与你的线路结构匹配的连接方式。
不要迷信量子比特数量，4 个高质量量子比特比 10 个低质量的效果更好。
5.3 如何平衡运行成本和结果质量
云量子计算有成本限制，优化策略包括：
- 先用少 shots 测试：用 1024 shots 快速验证，确认可行后再用 8192。
- 批量提交任务：一次提交多个相关任务，减少排队时间。
- 利用免费额度：IBM Quantum 等平台通常有免费使用额度。
- 选择合适的配置：配置二通常性价比最高，配置三只在必要时使用。
5.4 长期监控和趋势分析
如果你定期运行类似测试，建议建立监控体系：
- 记录每次运行的硬件校准数据。
- 跟踪同一线路在不同时间的几何存活率变化。
- 建立硬件性能衰减的预警机制。
这能帮你及时发现硬件状态变化，调整执行策略。
6. 扩展应用和未来展望
这种状态向量参考的测试方法不仅适用于 ZZ 量子核，可以扩展到其他量子算法和硬件平台。
6.1 在其他算法中的应用
同样的测试流程可以用于：
- 量子化学线路：测试分子基态准备线路的准确性。
- 量子优化算法：验证 QAOA 等算法的参数化线路表现。
- 量子机器学习：评估各种量子核函数在硬件上的可行性。
关键是选择有明确理想结果的基准线路。
6.2 向更大规模扩展
当量子比特数增加时，完整态层析变得不可行（n 量子比特需要 3^n 次测量）。这时可以采用：
- 局部态层析：只关注关键量子比特子集。
- 影子层析：用更少的测量估计保真度。
- 基准测试套件：使用标准化测试集（如 QV、CLOPS）。
这些方法能在可接受成本下评估大规模系统性能。
6.3 与错误缓解技术的结合
几何存活率测试可以帮助选择和优化错误缓解技术：
- 测试不同动态解耦序列的效果。
- 评估零噪声外推在不同噪声水平下的稳定性。
- 比较测量错误校准前后的改进程度。
这种数据驱动的方法比理论分析更实用。
我个人在实践中发现，这种系统的测试方法最大的价值不是获得一个绝对性能指标，而是建立了一套可重复、可比较的评估体系。当你要在不同硬件、不同配置、不同时间运行量子算法时，这种标准化测试能帮你做出更明智的决策。
量子硬件还在快速发展，今天的测试方法和判断标准可能明年就需要更新。但核心思路不变：先用可控的方式理解硬件能力边界，再在此基础上构建实用算法。
