读出串扰

读出串扰使多比特联合分布不再等于各单比特误差的简单乘积：一个通道的音调、状态或放大非线性会改变另一个通道的 IQ 云。

物理图像

读出串扰（readout crosstalk）的定义是操作性的：读取目标比特时，如果测量结果会受到其他非目标比特所处状态的影响，就认为读出存在串扰。它最典型的实验表现出现在频分复用的色散读出中：理想情况下，每个比特的 $|0⟩$、$|1⟩$ 态在 $IQ$ 平面上对应两个位置固定的高斯圆斑，用一条直线（阈值）即可分开；而存在串扰时，目标比特圆斑的整体位置会随邻近比特的状态发生偏移。

以两比特 $Q_3$、$Q_4$ 为例：区分 $|00⟩$ 与 $|01⟩$ 得到一条最佳分类线 $l_0$，区分 $|10⟩$ 与 $|11⟩$ 得到另一条 $l_1$。由于 $Q_4$ 的圆斑受 $Q_3$ 状态影响而平移，$l_0$ 与 $l_1$ 不再重合；交叉使用分类线（用 $l_1$ 去判 $Q_3$ 在 $|0⟩$ 时的 $Q_4$ 数据）会使保真度显著下降。论文中实测 $F(0|l_0)=0.9130$、$F(1|l_1)=0.9150$，而交叉项掉到 $F(0|l_1)=0.8993$、$F(1|l_0)=0.8470$。

其后果是联合读出误差不再可分解：$N$ 比特联合分布不能写成各单比特误差的乘积，逐比特独立训练的阈值分类器因此系统性失效。在量子纠错场景中，还要区分”一次性相关误判”与”读出过程真正扰动邻近数据比特”，两者对解码器的影响不同。

理论模型与量化

频分复用信号模型

多比特联合读出的硬件基础是频分复用（frequency-division multiplexing）：$M$ 个比特各有一个读出谐振腔，全部耦合到同一条读取总线（readout bus）。本振（LO）输出记为 $A_{\mathrm{LO}}\cos ({\omega }_{\mathrm{LO}}t+{\theta }_{\mathrm{LO}})$，任意波形发生器产生的中频（IF）信号为各比特分量之和，混频（下变频 ${\omega }_{\mathrm{RF}}={\omega }_{\mathrm{LO}}-{\omega }_{\mathrm{IF}}$）后得到包含 $M$ 个频率分量的射频输入信号。输出端经同一本振再次混频，得到 ADC 可直接采集的中频信号：

$$s(t)=\sum _{i=1}^M{A}_s^{(i)}\cos \left({\omega }_{\mathrm{IF}}^{(i)}t+{\theta }_s^{(i)}\right)$$

比特状态信息就编码在每个分量的幅值 $A_s^{(i)}$ 与相位 ${\theta }_s^{(i)}$ 中。采用外差（非零差）测量模式的原因正在于此：零差模式下各比特的直流分量直接叠加、不可区分，一个 ADC 通道只能读一个比特；外差模式还要求各比特中频互不相等，并有利于避开电路低频 $1/f$ 噪声。

解调链与匹配滤波

对离散采样序列 $\{s(n)\}$ 做标准正交 $IQ$ 数字下变频，即分别乘以各比特中频的单位正弦、余弦序列，再经 $L$ 阶 FIR 低通滤波器滤除二倍频与差（和）频项，最后加权求和：

$$I^{(i)}=\sum _{n=1}^N{w}_I^{(i)}(n)u^{(i)}(n),Q^{(i)}=\sum _{n=1}^N{w}_Q^{(i)}(n)v^{(i)}(n)$$

其中使信噪比最大的最佳窗函数是匹配滤波器（match filter）系数：

$$w_I^{(i)}(n)=⟨u_e^{(i)}(n)⟩-⟨u_g^{(i)}(n)⟩,w_Q^{(i)}(n)=⟨v_e^{(i)}(n)⟩-⟨v_g^{(i)}(n)⟩$$

下标 $e$、$g$ 分别对应比特处于 $|1⟩$、$|0⟩$ 时的信号，$⟨\cdot ⟩$ 为多次重复测量的系综平均。整个”解调—投影—阈值判决”流程全部是线性运算，这正是串扰问题的算法根源：低通滤波器无法完全滤除邻近比特中频分量的泄露（尤其当包络频谱展宽覆盖相邻谐振腔时），而线性投影无法跟随圆斑的条件性平移。

交叉保真度矩阵

联合读出中串扰大小的标准度量是交叉保真度矩阵（cross-fidelity matrix）：

$${\mathbb{F}}_{ij}=1-P(1_i\mid 0_j)-P(0_i\mid 1_j)$$

其中 $P(x_i|y_j)$ 表示比特 $Q_j$ 制备在 $|y⟩$ 时比特 $Q_i$ 被识别为 $|x⟩$ 的概率。理想无串扰时 $Q_i$ 的读出与 $Q_j$ 无关，对 $i\ne j$ 有 $P(1_i|0_j)=P(0_i|1_j)=0.5$，非对角元全为 0；非对角元的大小即串扰的定量度量。当 $i=j$ 时上式退化为单比特读出保真度的定义，故对角元给出各比特自身的读出保真度。该矩阵可从 $2^N\times 2^N$ 混淆矩阵（元素 $P_{ij}$ 为初态 $|i⟩$ 被判为 $|j⟩$ 的概率，对角元即各联合态的保真度）方便地算出。每个比特的平均读出保真度定义为

$$F_{Q_i}=1-\left[P(0_i\mid 1_i)+P(1_i\mid 0_i)\right]/2.$$

形成机制

论文将读出串扰的形成机制归纳为四类：

1. 读取信号波形的频谱展宽与泄露：读取脉冲包络在频谱上有固有展宽，覆盖到频域近邻的谐振腔并使其激发，使单一频率分量的读取信号混入多个比特的信息；解调端数字下变频时，邻近腔的信号也会因同样的展宽泄露进目标通道。
2. 残留寄生耦合：固定电容耦合不可开关，原则上使包括读取在内的所有单比特操作都违反局域性，只能把比特频率调到大失谐状态（失谐量远大于耦合强度）以减小有效耦合；此外还存在目标比特与邻近比特谐振腔的间接耦合、谐振腔之间的耦合等寄生通道。
3. 系统的关联噪声：既包括比特所受的关联噪声（如准粒子噪声），也包括读取电路中的关联噪声。
4. 关联的态制备：微波串扰等原因使态制备阶段就存在关联误差，最终映射为读出的关联性。

除上述机制外，共用参量放大器的互调与饱和（一个强音压缩其他音的增益）也是多比特共用放大链时的实际串扰来源。在自旋量子点体系中，相邻比特条件共振频率只被交换耦合 $J$（通常只有几 MHz）分开，驱动谱的交叠同样构成读出与操控层面的串扰通道。

参数与量级

以下为论文六比特（可调 transmon 一维链）联合读出实验的实测参数：

量	典型值	说明
比特频率 $\omega /2\pi$	$4.6$–$5.5\mathrm{GHz}$	部分比特从简并点下调至工作点
读出腔频率	$6.42$–$6.52\mathrm{GHz}$	相邻腔间隔约 $20\mathrm{MHz}$
中频频率	$502$–$600\mathrm{MHz}$	外差模式，六比特互不重叠
比特–腔耦合 $g/2\pi$	$\approx 50\mathrm{MHz}$	每比特独立 $X$、$Z$ 控制线
近邻比特耦合 $J/2\pi$	$\approx 10\mathrm{MHz}$	固定电容耦合，不可关断
$T_1$ / $T_2^{\ast }$	$15$–$22\mu \mathrm{s}$ / $8$–$14\mu \mathrm{s}$	工作点实测
ADC 采样率 / 序列长度	$1.6GSa/s$ / $700\mathrm{ns}$	六比特信号共用一个通道
训练样本规模	64 组联合态 × 2000 次重复	1/4 训练、3/4 检验
两比特交叉保真度	$0.8470$（$F(1	l_0)$）
平均非对角串扰 $⟨|{\mathbb{F}}_{j\ne i}|⟩$	$0.0092$（MFD）→ $0.0018$（SNND）	降低 84%，近邻项下降近一个量级
单比特平均错误抑制率	平均 $8.5\%$，最大 $20.59\%$	SNND 相对 MFD

实验特征与抑制方法

硬件层面

• 独立 Purcell 滤波器：为每个读出腔单独设计Purcell 滤波器后，非共振驱动在非目标腔内激发的光子数随失谐量的依赖从 $\propto {\Delta }^{-2}$ 变为 $\propto {\Delta }^{-4}$，可有效抑制频谱泄露型串扰。
• 频率与空间隔离：微波动态电感传感器（MKID）领域的经验表明，增大谐振腔在频率与空间上的距离可抑制腔间串扰，对超导比特读出同样有借鉴意义。
• 可调耦合器：通过调控手段快速关断比特间耦合，避免残留耦合的影响。
• 频率规划、脉冲整形、功率与积分窗优化：降低物理串扰的常规手段，应优先于算法补偿。

算法层面：浅层神经网络态分类器

论文的关键观察是：传统的”匹配滤波解调 + 投影阈值”态分类器（MFD, match-filter-based discriminator）在数学上完全等价于一个零偏置的线性浅层神经网络。把解调写成矩阵形式

$$\left(\begin{array}{c}I\\ Q\end{array}\right)=D\vec{s},p=\left(\begin{array}{cc}a& b\end{array}\right)\left(\begin{array}{c}I\\ Q\end{array}\right)=PD\vec{s}$$

其中 $D$ 由快解调系数 $k_I$、$k_Q$ 构成，$P$ 为投影系数。与之对应，浅层神经网络态分类器（SNND, shallow-neural-network discriminator）的运算为

$$Z^{[1]}=W^{[1]T}X+b^{[1]},A^{[1]}=\sigma (Z^{[1]}),y=Z^{[2]}=W^{[2]T}{A}^{[1]}+b^{[2]}.$$

若去掉非线性激活函数，网络塌缩为 $y=W^{\prime }X+b^{\prime }$，即隐藏层与输出层合并——说明正是 $\tanh$ 非线性赋予了网络拟合串扰引入的非线性效应的能力。SNND 的构建分三步：数据预处理（把各比特训练集 $IQ$ 圆斑中心平移到原点并等比缩放，使两圆斑中心距为 2，让输入落在 $\tanh$ 的有效区间）、用标准解调与投影系数初始化权重（偏置置零）、以最小均方误差为损失函数做带动量的梯度下降训练（约 500 次迭代、10 秒量级即可收敛，六个比特可并行训练）。

效果上，SNND 对全部六个比特的读出保真度都有提升（平均错误抑制率 $8.5\%$，最大 $20.59\%$）；平均非对角交叉保真度从 $0.0092$ 降到 $0.0018$（降 84%），近邻串扰下降近一个量级；其解调系数的功率谱中除目标比特中频峰外，还出现了邻近比特中频处的补偿峰——网络主动学习了对消串扰泄露的滤波权重。需要注意，神经网络分类器必须用独立测试集、覆盖全部 $2^N$ 联合态并包含随时间漂移的数据来验证，不能把过拟合误认为保真度提升。

与其他概念的关系

• 读出串扰寄生在色散读出的频分复用架构上；每个比特能否被单发读出是讨论串扰的前提。
• 共用参量放大器的带宽、饱和功率与互调决定了多少读出音可以共享一条放大链；Purcell 滤波器既保护比特免受 Purcell 衰减，也抑制非共振驱动的串扰激发。
• 读出串扰属于”测量侧”串扰；与之并列的”控制侧”串扰在量子点阵列中表现为栅极对非目标点电化学势的牵拉，由交叉电容矩阵定量描述并可用虚拟电极补偿；超导芯片中还有磁通串扰等封装与布线层面的来源。
• 对量子纠错而言，串扰使读出误差具有空间相关性，解码器若假设独立同分布的测量误差会低估逻辑错误率。