量子错误缓解：ZNE、测量缓解与概率错误消除实战

纠错（QEC）：用大量物理比特编码一个逻辑比特 → 主动纠正错误
  代价：比特数量爆炸（表面码约 100:1）
  目标：未来容错时代

缓解（QEM）：软件后处理抵消噪声 → 不改电路、不加冗余比特
  代价：增加采样数、有偏估计
  目标：当下 NISQ 能用

单比特门：depolarizing 通道 ε：ρ → (1-ε)ρ + ε·I/2
测量：误读矩阵（读出 0 实际 1 的概率）
T1/T2：振幅/相位衰减

单比特门错误率：~0.1%-1%
两比特门（CNOT）：~1%
测量错误：~1%
→ 几十个 CNOT 的电路保真度已明显下降

1. 用「噪声放大因子」λ 把电路故意加深（如把门重复 2x、3x）
2. 分别跑 λ=1, 2, 3 的电路 → 得到 3 个「有噪声」期望值
3. 拟合这 3 个点，外推到 λ=0 → 得到「零噪声」估计

门折叠（folding）：把单个门 U 变成 U·U†·U（等价 U，但噪声×3）
λ = 1, 3, 5 …（奇数倍）

# Qiskit：用 ZNE 扩展
from qiskit_aer.noise import NoiseModel
from qiskit.utils import algorithm_globals

# 示意：门折叠 + 外推（用 mitiq 或 qiskit-ignis 类工具）
# 实际可用 Mitiq 库
import mitiq
from mitiq import zne

mitigated = zne.execute_with_zne(qc, executor, scale_noise=zne.folding.fold_gates_at_random)

1. 校准：制备已知态（|00⟩、|01⟩…）测读出分布 → 误差矩阵 A
2. 修正：把实测分布 p 用 A 反推真实分布
p_true = A⁻¹ · p_measured

# Qiskit 测量错误缓解
from qiskit.ignis.mitigation import complete_meas_cal, MeasurementFilter

# 1. 构建校准电路
cal_circuits, state_labels = complete_meas_cal(qr=qc.qregs[0])

# 2. 跑校准，得到校准矩阵
cal_result = execute(cal_circuits, backend, shots=8192).result()
meas_filter = MeasurementFilter(cal_result, state_labels)

# 3. 跑实际电路，用滤波器修正
raw_counts = execute(qc, backend, shots=8192).result().get_counts()
mitigated_counts = meas_filter.apply(raw_counts)

1. 简单有效（测量错误是最大噪声源之一）
2. 计算开销低
3. 几乎必做的第一层缓解

1. 把噪声电路分解成「干净操作 + 噪声修正」的组合
2. 每次运行随机选一个分解电路（带符号权）
3. 加权平均 → 期望值无偏逼近零噪声值

PEC 是无偏的（不依赖外推假设）
但方差随电路规模指数增大 → 采样数爆炸
适合小电路、高精度需求

原理：周期性翻转（如 XY4 序列）平均掉环境噪声
在等待/闲置期间插入 → 减少 T2 退相干影响

XY4 序列：X Y X Y（每个门间隔固定）
效果：把退相干「平均掉」，类似回波技术

在门前后随机插入 Pauli 门（I/X/Y/Z）
噪声被「规范成」depolarizing 通道 → 好建模、好缓解
代价：增加门数（少量）

# Qiskit 的 dynamical decoupling 插入
from qiskit.transpiler.passes import DynamicalDecoupling
from qiskit.circuit.library import XGate, SXGate

dd = DynamicalDecoupling([XGate(), SXGate()])   # XY4 序列
circuit = dd(circuit)

from qiskit_ibm_runtime import QiskitRuntimeService, SamplerV2, EstimatorV2

service = QiskitRuntimeService()
backend = service.backend("ibm_sherbrooke")

# SamplerV2 自带测量缓解（resilience 选项）
sampler = SamplerV2(backend=backend)
job = sampler.run([qc], shots=8192,
                  resilience_level=1)   # 0=无, 1=测量缓解, 2/3=更强
result = job.result()

# EstimatorV2：算期望值，自带更高级缓解
estimator = EstimatorV2(backend=backend)
job = estimator.run([(qc, cost_hamiltonian)],
                    shots=8192,
                    resilience_level=2)   # ZNE 等

1. 已知答案验证（制备已知态测错误率）
2. 对比缓解前后与理想值偏差
3. 用保真度/期望值误差

# 对比缓解前后
import numpy as np

ideal_value = 1.0                    # 理论值
raw_err = abs(raw_estimate - ideal_value)
mitig_err = abs(mitigated_estimate - ideal_value)
print(f"原始误差: {raw_err:.4f}")
print(f"缓解后误差: {mitig_err:.4f}")
print(f"提升: {100*(raw_err-mitig_err)/raw_err:.0f}%")

缓解不能解决所有问题（有偏估计残留）
深电路缓解效果有限 → 终究要容错
缓解是「过渡技术」——当下的救命稻草

实测流程：
  测量缓解（必做）→ ZNE（估期望值）→ 必要时 DD 插入
  逐层加码，采样预算内求最优