误差缓解

误差缓解（quantum error mitigation, QEM）不纠正错误、只在经典后处理中把噪声的影响外推或抵消掉——它是 NISQ 时代（见 nisq-experiments 词条）让真机数据”可用”的标准手段，也是量子 CFD 变分演示能画出像样结果的原因。但对 CFD 而言它面对一个残酷的定量事实：Song 等的噪声阈值分析表明，方腔流收敛要求量子态不保真度 $1-F\le 10^{-7}$，而真机误差缓解后的读出保真度只有 95–99%（arXiv:2406.00280）；Google 的 FLASQ 模型则从理论上刻画了误差缓解的指数墙，并给出 QEC×QEM 混合策略把成本压低两个量级的路径。

NISQ 噪声如何破坏 CFD 线路

CFD 的量子线路对噪声格外脆弱，原因有三。其一，深线路：变分求解一个 $n$ 比特线性系统，代价函数的每一项都要 Hadamard test 电路（见vqls），梯度估计动辄数百条电路，每条都积累门误差。其二，双重采样税：shots 噪声（有限统计）与硬件噪声叠加——Ali–Kabel 的实测显示，即使无噪仿真器上，内积估计 $\Re ⟨f|\psi (\theta )⟩$ 的相对误差就已很大，$n\ge 20$ 比特的泛函估计所需的 shots 数在近期”不现实”Ali & Kabel 2023 (PR Applied)。其三，误差会在线路评估之间漂移：真机训练耗时数小时，噪声模型的校准早已过期。

真机上最常见的破坏模式不是”结果差一点”而是优化失效：代价函数的噪声淹没了参数空间的梯度信号，优化器要么平台化（BFGS 真机停在 17% 保真度），要么收敛到噪声定义的伪极小（NFT 最优代价点保真度仅 10.89%）Ali & Kabel 2023 (PR Applied)。

缓解三板斧：MEM、ZNE 与 PEC

• 测量误差缓解（measurement error mitigation, MEM）：预先标定 $2^n\times 2^n$ 的读出混淆矩阵 $A$（对全部基态逐一测量），实测分布 $p_{\mathrm{noisy}}$ 解 $A{p}_{\mathrm{ideal}}=p_{\mathrm{noisy}}$ 反演回理想分布。成本随 $n$ 指数增长（矩阵求逆常需正则化），但对小规模演示效果稳定。
• 零噪声外推（zero-noise extrapolation, ZNE）：故意把噪声放大 $\lambda$ 倍（拉伸门时长、插入恒等门对或单位折叠 $U\to U{U}^{†}U$），测得可观测量 $M(\lambda )$ 后向 $\lambda \to 0$ 外推：

$$M(0)=\sum _k{c}_{k}M({\lambda }_k),\sum _k{c}_k{\lambda }_k^j={\delta }_{j0},$$

即用多项式外推系数 $c_k$ 消去噪声展开的低阶项。优点是无需噪声模型细节；缺点是外推本身引入系统偏差，且大 $\lambda$ 端的信噪比急剧恶化。

• 概率误差消除（probabilistic error cancellation, PEC）：把含噪门的可逆噪声映射 ${\mathcal{N}}^{-1}$ 分解为理想操作的准概率分布 $\{q_i{U}_i\}$，按 $|q_i|$ 归一采样执行，期望上精确还原无噪期望值。代价是采样开销按线路中含噪门数指数增长：$C_{\mathrm{PEC}}\sim {\gamma }^{2N_{\mathrm{gates}}}$（$\gamma >1$ 为准概率范数）——精确但指数贵，且要求准确知道噪声模型。

真机实证：哪些有效、哪些不稳

Ali–Kabel 的系统性对比给出 NISQ-PDE 场景下最完整的一手数据Ali & Kabel 2023 (PR Applied)：

• SABRE 优化转译 + MEM：持续提升保真度——两者都是”编译期/后处理”手段，不依赖噪声模型细节；
• 动态退相干（XX 序列 DD）与噪声感知转译（mapomatic）：结果不稳定——依赖布局与校准时效，跨 backend 不稳健；
• PEC：未测——作者明确把其指数采样开销与噪声模型假设列为开放问题。

图:内积估计 Re⟨f|ψ(θ)⟩ 的相对误差(无噪仿真器与真机、不同误差缓解配置)——即使无噪,有限 shots 下误差也已可观;误差缓解能压低但压不没(来源:QC082)

Song 等的噪声硬件 NS 求解则给出阈值视角：方腔流收敛判据 $r_{\max }\le 10^{-4}$ 要求量子态不保真度 $1-F\le 10^{-7}$，而真机（ibmq_kolkata、ibm_torino）配 DD + MEM 后 HTree 读出保真度仅 95–99%；把 shots 从 $10^5$ 加到 $10^8$ 也不能让残差收敛——瓶颈是系统误差而非统计误差，结论是”当前 NISQ 硬件对显式时间推进 PDE 仍太吵”Song et al. 2024 (arXiv)。

图:混合 NS 求解器在仿真器与真机上的收敛史(a)与每个时间步的态不保真度(b)——真机残差停在 10⁻¹ 量级,每步 5%–1% 的误差在数百个时间步上累积(来源:QC038)

噪声诱导贫瘠高原与变分训练困难

真机实验还观察到噪声的间接效应：Govindugari–Wong 的 8 变量泊松案例在噪声仿真中”多数随机初值的 run 失败或平台化”Govindugari & Wong 2024 (SISPAD)——这正是噪声诱导贫瘠高原的表现：门噪声逐层吞噬 ansatz 的表达力，代价函数对参数的方差按深度指数衰减，梯度信号随比特数/深度指数变平。对策与缓解手段重合：用局部代价函数（$C_{\mathrm{L}}$ 只测少数比特的局域算符，避免全局 $C_{\mathrm{G}}$ 的指数集中）、用浅层硬件高效 ansatz（见vqls）、以及先用预条件把条件数压下来以缩短线路（Song 等的多重网格预条件、见quantum-multigrid）。这条因果链在概念上把误差缓解与可训练性绑在了一起：缓解噪声就是恢复梯度。

QEC×QEM 混合与指数天花板

FLASQ 成本模型用同一个 Ising 案例量化了 QEM 的规模化天花板Huggins et al. 2025 (arXiv)：

• 指数墙实证：同为 $11\times 11$、误差目标 0.01 的任务，Trotter 步从 20 加到 40（线路长一倍），带 PEC 缓解的 NISQ 方案相对容错方案的运行时间比整体移动超过 5 个数量级——PEC 的 ${\gamma }^{2N}$ 开销随线路长度指数爆炸，没有中间地带；
• 混合策略的定量收益：在 $p_{\mathrm{phys}}=10^{-3}$ 区间，纯 QEC（码距受限）无法满足 0.001 的误差预算，纯 QEM 又指数贵；QEC 纠大错 + PEC 缓解逻辑层残余错误的混合方案把等效每样本运行时间降低 $\ge 2$ 个数量级，并解锁了原本不可行的 $10^{-3}$ 错误率区间。

图:QEC only 与 QEC+PEC 混合方案下每有效样本的运行时间对比——混合方案低约 2 个数量级,把 p_phys=10⁻³ 区间从"不可行"变为"早期容错可行"(来源:QC086)

目前没有 CFD 专属的误差缓解研究；最近的一手证据来自泊松变分求解（QC082/QC083）与 Ising 类模拟（QC086），词条如实反映这一现状。方向上的共识：NISQ 时代 QEM 撑得起演示级 CFD（见nisq-experiments），工程级精度要么等容错，要么走 QEC×QEM 的早期容错区间——而两条路都绕不开对 shots 预算与噪声模型的精确核算（见resource-estimation）。

延伸阅读

• nisq-experiments
• vqls
• readout-strategies
• resource-estimation
• quantum-navier-stokes