量子基准测试与性能指标：保真度、量子体积与 CLOPS

引言

量子硬件的宣传材料上总是写着一串数字：99.9% 的两比特门保真度、127 个量子比特、量子体积 2^9、CLOPS 数千。这些数字看起来可比，但实际上常常不可比——它们测量的是不同的东西，用了不同的假设，甚至在不同时刻的硬件上测的。

这带来一个实际问题：当你要给一个算法选平台，或者要判断「我的电路能不能跑」，你需要的不是单个数字，而是理解每个指标在测什么、假设是什么、什么时候会骗你。比如 T1 长不代表门保真度高；量子体积高不代表你的电路能跑；两比特门保真度 99.9% 在孤立测量下成立，但同时在 50 个比特上做门时可能降到 99%。

本文系统讲解量子基准测试：先讲为什么难，再拆保真度指标、随机化基准测试家族、量子体积、电路层指标（CLOPS、算法量子比特）、应用导向基准与量子优势判据，最后给出常见陷阱与最佳实践。目标：让你能读懂一份基准报告，并知道哪些数字对你的场景有意义。

前置：量子比特校准与噪声 、量子优势的工程判据 。

为什么量子基准这么难

经典计算机的基准测试（benchmark）相对直接：跑一个固定程序，量时间和吞吐。量子基准难在几件事上。

难在「无法读出全部状态」

经典程序可以打印任意中间变量。量子程序不能：一次测量只能得到一个比特、且测量会破坏状态。要估计一个量子态的任意性质，你得反复制备、测量、统计——这就是层析（tomography），成本随量子比特数指数增长。所以所有量子基准都是间接推断，依赖模型假设。

难在「错误有多种」

不同指标测的是不同错误：

一个「保真度 99.9%」的数字，可能只包含其中一两类错误。所以在比较平台前，必须先问：这个数字测的是哪类错误、在什么条件下测的？

这一点和经典高性能计算里选基准的思路相通：HPL 测的是稠密线性方程求解的峰值，STREAM 测的是内存带宽，HPC 基准与 HPL 里同样强调「没有单一数字能概括整机」。量子基准的处境更极端，因为连「读出一个中间值」都做不到。

难在「成本与规模」

经典基准可以跑几小时，量子基准不行：每次采样都要重新制备与测量，统计误差随采样数 $1/\sqrt{N}$ 收敛。要区分 99.9% 与 99.95% 的保真度差异，采样量可能相差一个数量级。而大规模电路的单次执行又慢，导致高精度测量与大规模测量不可兼得。

难在「指标之间不可直接换算」

常见误解：T2 = 100 µs，所以能跑深度 100 的电路。这不对——T2 只告诉你退相干时间，不含门错误。一个深度 100 的电路，即使每层门保真度 99.9%，累计保真度也只有 $0.999^{100} \approx 90%$，而且相干错误会随电路结构放大。指标之间没有简单换算公式，必须实测。

保真度基础指标：T1、T2 与 SPAM

相干时间

T1（能量弛豫）：|1> 衰减到 |0> 的时间常数
  测量：制备 |1>，延迟 t，测 P(|1>)，拟合指数衰减
  典型：超导 100~300 µs，离子阱可达秒级

T2*（自由感应衰减）：由低频噪声导致的相位扩散
  测量：Ramsey 干涉，扫延迟时间，拟合振荡包络
  典型：常远小于 T2

T2（Hahn 回波）：用 π 脉冲翻转，抵消低频噪声
  测量：Hahn echo 序列
  典型：超导 100~200 µs，通常 T2 <= 2*T1

一个关键细节：$T_2 \le 2T_1$ 是硬约束。如果你看到某平台报 $T_2 = 500$ µs 而 $T_1 = 100$ µs，那一定有问题（除非测量方式特殊）。这个不等式是判断数据可信度的第一个筛子。

SPAM 错误

SPAM（State Preparation And Measurement，态制备与测量）错误是每次实验都会摊到的固定成本：

SPAM 错误在 RB 里表现为衰减曲线的截距（$A$ 与 $B$），而不是斜率。所以 RB 能在不知道 SPAM 错误的情况下估出门错误——这是 RB 最巧妙的地方。但反过来，如果你要的是端到端保真度，SPAM 错误必须单独算进去。

RB 衰减模型：
  P_success(m) = A * α^m + B
  其中：
    m     = Clifford 门数量
    α     = 每 Clifford 的衰减因子（与门错误相关）
    A, B  = 吸收 SPAM 错误的常数（截距）
  → 门错误率与斜率有关，与截距无关

随机化基准测试（RB）家族

RB（Randomized Benchmarking）是量子基准的主力工具，核心思路是用随机化把相干错误「洗成」非相干错误，然后用指数衰减提取每门平均错误。

标准 RB 的流程

# 标准 RB 的算法骨架（伪代码）
# 1. 对每个序列长度 m：
#    随机生成 m 个 Clifford 门，末尾加一个逆门使总操作 = 恒等
#    制备 |0...0>，执行序列，测量
#    重复 N 次取成功概率
# 2. 对 m 做指数拟合 P(m) = A * α^m + B
# 3. 由 α 换算每 Clifford 错误率

def error_per_clifford(alpha, d):
    # d = 2^n 为 Hilbert 空间维度
    return (1 - alpha) * (d - 1) / d

RB 家族的变体

循环基准（Cycle Benchmarking） 值得单独说：标准 RB 的序列长度随比特数增长会让状态空间爆炸（$d = 2^n$ 的 Clifford 群太大），无法扩展到几十个比特。循环基准改用随机 Pauli 层，每层由随机单比特 Pauli 门加固定两比特门层组成，测量 Pauli 期望值的衰减。它能在 10~100 个比特规模上工作，且直接给出「每层（per cycle）」的错误率——这正是评估大规模系统需要的指标。

循环基准（Cycle Benchmarking）要点：
  - 每个 cycle = 随机单比特 Pauli 层 + 固定的并行两比特门层
  - 在 Pauli 框架下追踪，状态空间不随比特数指数增长
  - 输出：每 cycle 的 Pauli 错误率 EPLG（Error Per Layered Gate）
  - 优势：可测串扰、可扩展到多比特

RB 的假设与失效

RB 有几个强假设，违反了结果就不可信：

1. 门无关噪声：假设每个门的错误率相同。实际上不同的门错误率差好几倍，RB 给的是「平均」。
2. 马尔可夫噪声：假设噪声无记忆。如果存在 $1/f$ 噪声或漂移，衰减不是纯指数。
3. 错误不泄漏：假设错误留在计算子空间内。泄漏会让拟合偏差。
4. 序列充分随机：随机化必须把相干错误洗成非相干。序列太短或随机性不足，会低估错误。

所以 RB 报出的「99.9%」在孤立测量下成立，但不代表你的电路能跑到 99.9%。并行场景下的串扰往往是 RB 漏掉的最大项。

泄漏与串扰怎么测

泄漏（leakage） 是超导平台特有的麻烦：量子比特是谐振子，操作可能把布居打到 $|2\rangle$ 而不是留在 ${|0\rangle, |1\rangle}$ 子空间。泄漏的害处是它不在 RB 的模型里（RB 假设错误留在子空间内），会让拟合结果偏乐观。

泄漏测量思路：
  1. 标准 RB 序列 + 末尾加一个"泄漏探测"操作
     （把 |2> 映射回计算子空间）
  2. 对比有无探测操作时的衰减曲线
  3. 差异反映泄漏量
  典型：超导单比特泄漏 < 0.1%/门，两比特可达 0.5%/门

串扰（crosstalk） 的测量靠并行 RB：把同一组门同时在多个比特上执行，对比孤立执行时的错误率。差值就是串扰。对超导平台，相邻比特之间的 ZZ 耦合（静态串扰）是主要来源，表现为「邻居在操作时我的频率被推移」。

量子体积（Quantum Volume）

量子体积（Quantum Volume, QV）是 IBM 提出的单一数字指标，试图用一个数概括「整机能力」。它的定义很有意思：能成功运行的最大方阵随机电路尺寸。

判据

量子体积的测试协议：
  1. 生成 n 个量子比特的随机方阵电路，深度 = n
     （每层：随机两比特门 + 随机单比特门，拓扑允许的话全连接）
  2. 理想情况下，输出分布的重输出概率（heavy output probability）> 2/3
     "重输出" = 概率高于中位数的那些输出
  3. 实测重输出概率 h
  4. 若 h > 2/3 且统计置信度达 97.5%（约 2 sigma），则 QV >= 2^n
  5. 找满足条件的最大 n，QV = 2^n

关键在于「深度 = 宽度」——这强制电路既有一定宽度又有一定深度，不能靠「很多量子比特但只能跑浅电路」蒙混过关。QV 同时考验了量子比特数、门保真度、连通性、编译质量、读出质量。

QV 的价值与局限

价值：它是一个端到端指标，包含了编译与串扰。两个平台的 QV 可以直接比。

局限：

所以 QV 是「下限指标」——QV 高说明基础能力不差，但 QV 高不代表你的算法跑得好。

电路层指标：CLOPS 与算法量子比特

QV 描述「能力」，但用户关心的是「吞吐」。这催生了电路层指标。

CLOPS

CLOPS（Circuit Layer Operations Per Second，每秒电路层操作）衡量单位时间能执行多少个电路层：

CLOPS = (层数 × 每次运行重复次数 × 运行次数) / 总时间

一次运行流程：
  1. 编译电路（可能占大头）
  2. 加载到硬件
  3. 执行 N_shots 次
  4. 读出与后处理

注意：CLOPS 把编译时间也算进去（holistic 版本 CLOPS_h）

一个反直觉的事实：CLOPS 常常被编译和经典控制流主导，而不是量子门速度。如果一次作业要编译 10 秒、执行 0.1 秒，CLOPS 会低得可怜。这解释了为什么量子云服务在「小电路高频调用」场景下体验很差。

算法量子比特

IonQ 提出的「算法量子比特数（#AQ）」是另一个单一数字：对 n 个量子比特，用随机方阵电路测试，看能否在特定保真度阈值下通过。它与 QV 思路类似，但更强调「可用的算法规模」。

这类指标的共同问题是把多维能力压成一维，必然丢信息。用的时候要知道它丢了什么。

应用导向基准与量子优势判据

既然单一数字不够，社区转向应用导向的基准套件。

交叉熵基准（XEB）

XEB（Cross-Entropy Benchmarking）是验证「量子优势」的核心工具。它用随机电路，比较实测输出分布与理想模拟分布的交叉熵。核心量是线性交叉熵保真度：

XEB 保真度估计：
  F = (cross_entropy_measured - cross_entropy_uniform)
      / (cross_entropy_ideal - cross_entropy_uniform)

  其中 cross_entropy = Σ p_ideal(s) * p_measured(s)
  uniform 基准 = 1/2^n

  F ≈ 1 → 输出与理想高度一致
  F ≈ 0 → 输出随机（无量子优势）

XEB 的优势是不依赖层析：它只用测量到的比特串频率与经典可计算的理想分布（对浅电路可算）比较，能扩展到 50~70 个比特。Google 2019 年的「量子优势」声明就是用 XEB 论证的：53 个比特、深度 20 的随机电路，实测保真度与经典模拟时间对比。

但 XEB 也有争议：「经典无法快速模拟」不等于「有实用价值」。一个只能跑随机电路的系统，和能跑 Shor 算法的系统，是完全不同的东西。这就是量子优势的「工程判据」问题——理论上的优势声明和实际可用性之间隔着一条鸿沟。

基准测试的陷阱与最佳实践

常见陷阱

「挑比特」是最普遍的问题。一个 127 比特的系统，可能只有 20 个比特的保真度达标，但宣传里用的是这 20 个的最好成绩。你用的时候如果电路需要全部 127 个比特，实际体验会差很多。

最佳实践

读基准报告时问：
  [ ] 测的是哪些比特？全部还是子集？
  [ ] 是孤立测还是并行测？有没有串扰数据？
  [ ] SPAM 错误单独报了吗？
  [ ] 有分布信息吗（最好/中位/最差）？
  [ ] 编译设置公开了吗（优化等级、seed）？
  [ ] 测量时间与现在差多久？校准更新了吗？
  [ ] 有没有你关心的应用类基准（化学/优化/ML）？

做基准测试时：
  [ ] 用同时 RB 或循环基准，覆盖并行场景
  [ ] 报分布而非单一数字（至少报中位数与四分位）
  [ ] 固定编译设置，公开 seed 与优化等级
  [ ] 测多个时间点，评估漂移
  [ ] 用应用导向基准补充门级指标
  [ ] 明确标注每个数字测的是哪类错误

从指标到决策：一个实际例子

假设你要跑一个变分量子本征求解（VQE）的原型，需要 12 个量子比特、每层 12 个两比特门、约 30 层（约 360 个两比特门），每轮迭代要测几十个可观测量的期望值。现在有两个平台候选：

粗略估算两边的两比特门开销：

平台 A（近邻拓扑）：
  逻辑两比特门 360 个，路由后假设 ×3 → 1080 个物理两比特门
  累计保真度 ≈ 0.998^1080 ≈ 11%      ← 基本不可用

平台 B（全连接）：
  逻辑两比特门 360 个，无路由开销 → 360 个物理两比特门
  累计保真度 ≈ 0.995^360 ≈ 16%       ← 也低，但好一些

加上 SPAM（每轮读出 12 比特 × 几十个可观测量）：
  A：读出 1 µs × ...，SPAM 错误 1~3%/比特
  B：读出 120 µs × ...，SPAM 错误 0.1%/比特

结论：两边都需要误差缓解，甚至纠错，才能得到有意义的结果。 但决策依据很清楚：

1. 平台的连通性在这里比门保真度更重要——全连接省下的路由开销（3 倍）远超保真度差距（0.3%）。
2. 读出时间决定了墙钟时间。B 的读出慢 120 倍，如果每轮要读几十个可观测量，总时间会非常长。
3. 误差缓解是必需品。可以用零噪声外推或概率误差抵消，把有效保真度提上去。

这个例子说明：选平台要按你的电路特征算账，不能只看单一指标。 如果你的电路连接稀疏（比如只在一维链上通信），平台 A 的路由开销就没那么大，超导的速度优势会凸显。反之，连接稠密的电路强烈偏向全连接平台。

类似的「按工作负载特征选硬件」的思路，在推理加速领域也很常见——AI 推理基准 里同样是先明确负载特征（批量大小、序列长度、精度），再对照硬件的实测吞吐，而不是只看峰值算力。

小结

量子基准测试的核心困难是：无法直接观测、错误类型多样、指标不可换算。

• T1/T2 描述退相干，但 $T_2 \le 2T_1$ 是硬约束，也是判断数据可信度的第一道筛子。
• SPAM 错误表现为 RB 衰减的截距而非斜率，所以 RB 能在不知 SPAM 的情况下估门错误。
• RB 家族（标准、交织、同时、循环）各有用途；循环基准是唯一能扩展到几十比特并捕捉串扰的方案。
• 量子体积把多维能力压成一维，作为下限指标有价值，但不能替代应用测试。
• CLOPS 常被编译时间主导，holistic 版本才反映真实作业吞吐。
• XEB 是量子优势验证的主力工具，但「经典难模拟」不等于「有实用价值」。
• 最常见的陷阱是挑最好的比特、孤立测门、不报分布；读报告时要逐条追问假设。

实践上，选平台前先明确你的电路特征（宽度、深度、两比特门数、连接需求），然后找与你电路结构最接近的应用基准数据，而不是看单一的门保真度或 QV。如果找不到，就用目标平台跑一个你自己的小规模原型电路，实测端到端保真度——这是最可靠的办法。最后，永远把测量时间记下来：量子硬件每天都在漂，一个三个月前的基准数字，参考价值有限。