想象你是一位大厨（VQC 分类器），负责在厨房（NISQ 量子设备）里为一批客人做菜——把量子食材（量子比特）按照菜谱（参数化量子线路）加工，最后让客人尝菜打分（测量输出）。理想情况下，每一道菜都精准复现菜谱。但真实的厨房从来不会如此安静：调料瓶可能被碰倒、食材放久了会变味、切菜手一抖刀口就偏了。这些“厨房噪声”会让菜的味道偏离预期。对 VQC 来说，噪声会让分类边界扭曲、预测置信度下降，甚至让模型在真实硬件上“发挥失常”。本文从三类常见噪声讲起，介绍它们的建模方法、对性能的影响，以及误差缓解与鲁棒线路设计等实用应对方案。

岗位关联

学会分析并缓解量子噪声，是让 VQC 从模拟器走向真实量子硬件的必修课，也是量子机器学习工程师的核心竞争力之一。

目录
  1. 可视化演示
  2. 噪声来源认知
  3. 噪声建模基础
  4. 性能影响分析
  5. 误差缓解策略
  6. 鲁棒线路设计
  7. 验证与部署
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示NISQ时代量子噪声对VQC的影响，包括去极化噪声建模、门误差累积衰减及零噪声外推缓解技术，通过交互控件探索不同噪声水平下的性能变化。

本节配有交互动效（进入视口后自动加载，约 3KB）。

去极化噪声模型 理想态 噪声态 E(ρ)=(1-p)ρ+pI/d 噪声以概率p将量子态混合为完全混合态

噪声来源认知

假设你经营一家小餐馆，后厨有三位“捣乱分子”：第一位是毛手毛脚的帮厨，总把整瓶胡椒往锅里撒，让每道菜都带上一股随机冲味——这是去极化噪声；第二位是慢吞吞的送货员，食材在仓库放太久，鲜味和香气一点点流失——这是退相干；第三位是刀工不稳的厨师，同样一道菜，十次有八次火候刀工都差一点意思——这是门误差。在 NISQ（含噪声中等规模量子）时代，这三类干扰正是 VQC 面对的主要敌人。

去极化噪声像“随机撒胡椒”：它以概率 p 把量子比特的态往完全混合态上拉，p 越大，态越“浑浊”。退相干则表现为量子比特与环境的纠缠，让叠加态的相位信息随时间丢失，常用 T₁（能量弛豫）和 T₂（相位弛豫）两个特征时间刻画。门误差来自控制脉冲不精确、校准漂移和比特间串扰，导致理想门与实际执行的门有偏差。

量子噪声在工程上通常分为本地退极化、退相干和门误差三大类，它们分别对应信道级、演化级和操作级的不完美。理解这三类源头，是后续建模和缓解的第一步。

摸清了三位“捣乱分子”的脾气，我们就能给它们各自建立可以计算的数学模型，这就像把“手抖程度”写成菜谱上的“抖动指数”。

E(ρ)=(1−p)ρ+pId\displaystyle \mathcal{E}(\rho) = (1-p)\rho + p\frac{I}{d}
这是去极化噪声的数学原型：一部分信息原样保留，一部分被“随机大乱炖”替代。
  1. 密度矩阵 $\rho$密度矩阵描述量子系统状态的完整信息，是噪声计算的输入对象。
    ρ\rho
  2. 保留项 $(1-p)\rho$以概率 $(1-p)$ 原样保留原始量子态的信息。
    (1−p)ρ(1-p)\rho
  3. 混合项 $p\frac{I}{d}$以概率 $p$ 把态替换为完全混合态，相当于均匀随机态。
    pIdp\frac{I}{d}
  4. 噪声强度 $p$取值在 0 到 1 之间，$p=0$ 表示无噪声，$p=1$ 表示完全随机化。
    p∈[0,1]p \in [0,1]

噪声建模基础

把噪声行为量化，是 VQC 噪声分析的核心工作。继续用厨房语言：去极化噪声像“帮厨把调料撒匀”，退相干像“食材慢慢不新鲜”，两者都可以用一张“干扰清单”来描述每个量子态经历的变化。

量子信道是描述噪声的标准工具。去极化信道已经把态往完全混合态拉拢；退相干信道则包括振幅阻尼（对应 T₁，能量向环境耗散）和相位阻尼（对应 T₂，相位信息丢失），实际硬件中两者常常同时存在。门误差则用与实际门的“保真度”来度量，过程保真度越高，执行的门越接近理想门。这些噪声参数可以通过基准测试实验（如随机基准测试）标定，得到每类门的错误率与 T₁、T₂ 的实测值。

T₂ 退相干的数学表现是非对角元的指数衰减：

有了这些“干扰系数”，下一步就能分析噪声到底如何影响 VQC 的分类表现。

ρ01(t)=ρ01(0) e−t/T2\displaystyle \rho_{01}(t) = \rho_{01}(0)\, e^{-t/T_2}
这条公式用“指数衰减”描述量子相干性的流失速度，T₂ 越大，相干存活越久。
  1. 非对角元 $\rho_{01}(t)$密度矩阵的非对角元反映量子叠加的相干幅度。
    ρ01(t)\rho_{01}(t)
  2. 初始相干 $\rho_{01}(0)$初始时刻的相干幅度是衰减的起点。
    ρ01(0)\rho_{01}(0)
  3. 经历时间 $t$表示量子态从制备到测量所经历的时间。
    tt
  4. 特征时间 $T_2$相干幅度衰减到 $1/e$ 所需的特征时间，越长越抗噪。
    T2T_2
  5. 指数因子 $e^{-t/T_2}$单调递减的指数因子，驱动相干性随 $t$ 流失。
    e−t/T2e^{-t/T_2}

性能影响分析

噪声最终影响的是端上桌的菜：客人尝到的味道偏离菜谱。VQC 的输出是测量得到的期望值，噪声作用后再测量，输出就像被“稀释”过的信号。理想边界假设两边数据可分得很开，噪声却让所有数据点朝边界方向收缩、抖动，边界附近的点最容易翻盘。

具体来说，噪声带来三类后果：一是分类边界扭曲——输出期望被压缩，原决策边界被移动或变得崎岖；二是置信度偏移——模型对所有类别的预测概率趋近均匀，越来越“没底气”；三是泛化能力退化——在训练用的低噪声环境学到的边界，放到真实噪声更高的设备上就失灵，数据量小时尤其明显。此外，线路深度越大，累计噪声越多，性能对深度越敏感。

噪声影响下的测量期望可统一写成：

看来噪声很难完全避免，与其被动接受，不如主动出手补救——这正是误差缓解策略登场的时刻。

⟨O⟩noisy=Tr(O E(ρout))\displaystyle \langle O \rangle_{\text{noisy}} = \mathrm{Tr}\bigl(O\, \mathcal{E}(\rho_{\text{out}})\bigr)
这条公式说明：理想的输出态要先经过噪声信道，再被观测算符“品尝”打分。
  1. 观测算符 $O$对应测量项，如 $Z$ 泡利算符，是“客人打分”的评分表。
    OO
  2. 输出态 $\rho_{\text{out}}$VQC 在理想情况下制备的量子态，是噪声的原料。
    ρout\rho_{\text{out}}
  3. 噪声信道 $\mathcal{E}$对输出态施加的去极化、退相干等作用。
    E(ρout)\mathcal{E}(\rho_{\text{out}})
  4. 求迹 $\mathrm{Tr}$对作用后的状态取平均，得到最终可测量的期望值。
    Tr(⋅)\mathrm{Tr}(\cdot)

误差缓解策略

补救一道被噪声破坏的菜，大厨有几种办法：多试几个火候档推断出“真正该有的火候”、校准一下电子秤减少称量误差、或者把疑似出错的菜品按概率重新做。这三种分别对应量子计算中主流的误差缓解手段。

第一种叫零噪声外推（ZNE）：故意把噪声放大到 1、3、5 倍等若干档位，测出一串带噪期望值，再用这些点反推噪声为 0 时的值。第二种叫测量误差校正：先在已知量子态上做一组校准测量，得到读出错误矩阵，之后把带偏的测量结果“掰回”真实分布。第三种叫概率误差消除（PEC）：把噪声信道分解成一系列理想操作的线性组合，通过大量采样重新配平权重，用计算量换取无偏估计。至于全量子纠错（QEC），需要大量物理比特编码一个逻辑比特，当前 NISQ 设备还扛不住，更多是长线方案。

ZNE 的核心公式是：

补救终究是事后措施，如果菜谱本身抗折腾，噪声的影响会小得多——这就引出鲁棒线路设计。

⟨O⟩ideal=lim⁡λ→0⟨O(λ)⟩\displaystyle \langle O \rangle_{\text{ideal}} = \lim_{\lambda \to 0} \langle O(\lambda) \rangle
先测量不同噪声放大倍数下的期望，再外推到噪声为零的时刻。
  1. 放大倍数 $\lambda$如 1、3、5，表示把噪声强度放大若干倍。
    λ\lambda
  2. 带噪期望 $\langle O(\lambda)\rangle$在放大后的噪声下测得的结果，是外推的数据点。
    ⟨O(λ)⟩\langle O(\lambda)\rangle
  3. 极限 $\lim_{\lambda\to0}$用拟合曲线推向 $\lambda=0$ 的估计值。
    lim⁡λ→0\lim_{\lambda\to0}

鲁棒线路设计

要想菜不容易被做坏，最好的办法是菜谱本身简单可靠、经得起手抖。对 VQC 而言，鲁棒线路设计就是从源头降低噪声敏感度。

第一招是压缩线路深度：减少串联门数量，也就减少了噪声累积的次数，让“食材少在锅里翻腾”。第二招是参数化线路优选：有些电路结构对噪声天生不敏感，比如浅层硬件高效线路（HEA）或特定对称线路，选对 Ansatz 能显著提高抗噪性。第三招是动态解耦（DD）：通过在空闲时间插入自旋回波式的脉冲序列，把缓慢的退相干“抵消”掉，类似给食材加一层保鲜膜。第四招是噪声感知编译：把逻辑比特映射到错误率低的物理比特上，并选择对噪声不友好的门实现方式。

一个直观的模型是线路整体保真度随深度指数衰减：

线路再稳，也要在真实设备上经受检验——把菜谱从自家厨房搬到正式餐厅之前，得先做一轮严谨的试菜。

F(d)≈(1−ϵ)d≈e−ϵd\displaystyle F(d) \approx (1-\epsilon)^d \approx e^{-\epsilon d}
单门错误率越低、线路深度越浅，整条线路的保真度越高。
  1. 单门错误率 $\epsilon$每个量子门平均出错概率，是硬件校准给出的指标。
    ϵ\epsilon
  2. 线路深度 $d$线路中串行的门层数，代表量子信息被处理的环节数。
    dd
  3. 指数近似 $e^{-\epsilon d}$当 $d$ 较大时 $(1-\epsilon)^d$ 近似为指数衰减。
    e−ϵde^{-\epsilon d}

验证与部署

开餐厅前，厨师会先在自家厨房试做几遍，再去朋友餐厅试灶，最后才确定标准作业流程。VQC 的验证与部署也走这三步：模拟器基准 → 真实硬件评估 → 混合部署。

模拟器基准测试提供无噪声“理想味觉”参考：同一线路在无噪声模拟器和带噪声模拟器上各跑一遍，能快速知道噪声造成的性能落差。真实硬件评估则要看量子比特的 T₁/T₂、门错误率校准表，选择合适的比特和门映射，重点观察分类准确率与理想值的差距。部署阶段往往采用混合量子经典架构：把 VQC 线路拆成多个短线路任务，由经典调度器异步提交到量子处理器，再用经典模型聚合结果、后处理误差，同时持续监控准确率、线路深度、QPU 利用率等指标。

部署效果的最终指标常用分类准确率：

从“厨房噪声”到“量化分析”，再到“补救与抗干扰设计”，最后落到“验收与上线”，VQC 噪声影响分析的完整闭环就是这样一环扣一环地跑通。

A=1N∑i=1N1[y^i=yi]\displaystyle A = \frac{1}{N} \sum_{i=1}^{N} \mathbb{1}[\hat{y}_i = y_i]
一句话说，准确率等于预测正确的样本数占全部样本的比率。
  1. 样本总数 $N$测试集样本数量，是评价的基数。
    NN
  2. 预测标签 $\hat{y}_i$模型对第 $i$ 个样本给出的类别输出。
    y^i\hat{y}_i
  3. 真实标签 $y_i$人工标注的正确类别。
    yiy_i
  4. 指示函数 $\mathbb{1}[\cdot]$括号内条件成立时为 1，否则为 0。
    1[⋅]\mathbb{1}[\cdot]

AI 应用场景

药物分子活性筛选

阶段：量子数据编码 → 变分训练 → 误差缓解与验证

解决的问题：传统高通量筛选用经典描述符拟合分子活性，精度有限且成本高。VQC 可以把分子结构编码成量子态，借助量子特征空间区分有活性与无活性分子。但真实量子设备上的去极化和退相干会让活性分数偏移，导致假阳性。通过 ZNE 与测量校正，可以把噪声压制到可接受范围。

具体案例：某制药团队用 8 比特 VQC 对 500 个候选分子做活性二分类，真实硬件上初始准确率仅 74%，叠加 ZNE + 测量误差矩阵校正后提升到 89%，逼近模拟器的 92% 基线。

金融信用欺诈检测

阶段：特征编码 → 混合训练 → 噪声感知部署

解决的问题：欺诈样本高度不平衡，VQC 在噪声下置信度容易被“抹平”，欺诈类概率趋近 0.5，风控难以决策。把 VQC 作为特征提取器，前端做经典特征工程，后端接经典分类器，并对量子线路做噪声感知编译，可以保证欺诈识别的稳定输出。

具体案例：金融科技公司把 4 比特 VQC 嵌入反欺诈流水线，任务以短线路批处理方式提交，监控 T₂ 漂移并在准确率跌破阈值时自动切换模拟器回退方案。

材料相变识别

阶段：量子态制备 → 鲁棒线路设计 → 真实硬件验证

解决的问题：识别材料是否发生相变需要探测多体量子关联，经典神经网络往往数据饥渴。VQC 能用少量样本分类相，但线路一旦过深就极易被退相干摧毁。通过动态解耦和低深度 Ansatz，可以把相干时间“省着用”，提升真实硬件上的相变识别率。

具体案例：研究团队在超导量子处理器上用 6 比特 VQC 识别二维伊辛模型的顺磁-铁磁相变，加入动态解耦后测试准确率从 58% 提升到 81%。

Python 演示

python75 行
import numpy as np  def ry(theta):    c, s = np.cos(theta / 2), np.sin(theta / 2)    return np.array([[c, -s], [s, c]])  CX = np.array([[1, 0, 0, 0],               [0, 1, 0, 0],               [0, 0, 0, 1],               [0, 0, 1, 0]])  def dep(rho, p, d):    return (1 - p) * rho + p * np.eye(d) / d  def run(x, thetas, p):    d = 4    rho = np.zeros((d, d))    rho[0, 0] = 1.0    r0, r1 = ry(np.pi * x[0] / 2), ry(np.pi * x[1] / 2)    u = np.kron(r0, np.eye(2))    rho = dep(u @ rho @ u.T, p, d)    u = np.kron(np.eye(2), r1)    rho = dep(u @ rho @ u.T, p, d)    rho = dep(CX @ rho @ CX.T, p, d)    v0, v1 = ry(thetas[0]), ry(thetas[1])    u = np.kron(v0, v1)    rho = dep(u @ rho @ u.T, p, d)    return rho  def expv(rho):    return rho[0, 0] + rho[1, 1] - rho[2, 2] - rho[3, 3]  def predict(X, thetas, p, shots):    preds = []    for x in X:        rho = run(x, thetas, p)        cnt = np.random.binomial(shots, rho[0, 0] + rho[1, 1])        preds.append(1 if 2 * cnt / shots - 1 >= 0 else 0)    return np.array(preds)  def load_data(n):    rng = np.random.default_rng(42)    X, y = [], []    while len(X) < n:        x = rng.uniform(-1, 1, 2)        X.append(x)        y.append(1 if x[0] * x[1] < 0 else 0)    return np.array(X), np.array(y)  def main():    X, y = load_data(48)    best, best_acc = (0.0, 0.0), 0.0    for t0 in np.linspace(-np.pi, np.pi, 12):        for t1 in np.linspace(-np.pi, np.pi, 12):            acc = np.mean(np.array([1 if expv(run(x, [t0, t1], 0.0)) >= 0                                    else 0 for x in X]) == y)            if acc > best_acc:                best, best_acc = (t0, t1), acc    np.random.seed(7)    print("best theta:", best, "train_acc:", round(best_acc, 3))    for p in [0.0, 0.2, 0.4]:        acc = np.mean(predict(X, best, p, 200) == y)        print("noise=%.1f acc=%.3f" % (p, acc))  if __name__ == "__main__":    main()
目的：演示去极化噪声与有限测量采样如何让 VQC 分类准确率下降——噪声越大、信号越弱、采样涨落越明显，准确率越低。
  1. return (1 - p) * rho + p * np.eye(d) / d实现去极化信道，对应正文公式，按概率 p 把态拉向完全混合态。
  2. rho = dep(u @ rho @ u.T, p, d)每个单比特门后都注入噪声，模拟门误差累积。
  3. rho = dep(CX @ rho @ CX.T, p, d)两比特纠缠门 CX 后同样注入噪声，体现纠缠环节的脆弱性。
  4. cnt = np.random.binomial(shots, rho[0, 0] + rho[1, 1])用二项分布模拟有限次测量，体现统计采样噪声。
  5. for t0 in np.linspace(-np.pi, np.pi, 12):在无噪声环境下网格搜索最优变分参数，模拟“模拟器训练”。
  6. acc = np.mean(predict(X, best, p, 200) == y)把训练好的参数搬到不同噪声水平下评估，对应真实设备部署验证。

常见误区

误区总觉得量子比特出错就是温度太高，只要把稀释制冷机再调低几毫开，VQC 就不会受噪声影响。

正解温度只是环境退相干的一种来源。去极化噪声源于控制线串扰与随机扰动，门误差来自脉冲校准漂移，测量读出错误来自信号判别不完美，还有有限的测量采样统计涨落。它们与“热”没有直接关系，降低温度无法消除。

为何常见：把“噪声”等同于热噪声是最直观的物理直觉，但量子硬件中噪声是多元的，建模时要把各类错误分开刻画。

误区看到公式里有 $pI/d$，就觉得 p 一增大量子态就是纯掷骰子，任何信息都保不住。

正解去极化信道里还有 $(1-p)\rho$ 这一项，它原样保留了部分原始信息。p=0.5 时原始信息只衰减到一半，测量期望只是整体收缩，不会消失。配合 ZNE 或采样式缓解，依然能恢复出可用信号。

为何常见：只盯着混合项看，忽视了保留项的贡献，属于“只见树木不见森林”。

误区把串扰、泄漏、非马尔可夫效应全部塞进模型，觉得细节越多越接近真实硬件。

正解模型参数的标定需要大量实验数据，过度复杂会带来欠定和过拟合；简单模型（去极化+振幅阻尼+门误差）在趋势预测和策略对比上已经足够。工程上先简单再逐步细化，而不是一上来就求全。

为何常见：“越细越准”的直觉在物理仿真中常成立，但量子噪声参数本身难以精确标定，复杂度反而降低可用性。

误区ZNE 叫“零噪声外推”，测量校正又能把读出掰回来，以为这套组合拳下来噪声就归零了。

正解ZNE 依赖外推模型假设，高噪声下偏差明显；测量校正只修正读出错误；PEC 需要指数级采样开销才能无偏。它们是把有害噪声压到可接受范围，而不是从物理上消除噪声。

为何常见：外推与校正的数学形式看起来在逼近“无噪声结果”，容易让人误以为噪声真的被除掉了。

误区既然有量子纠错，NISQ 时代的噪声问题不是早就解决了吗？

正解量子纠错需要把逻辑比特编码到大量物理比特中并反复测量纠错，当前硬件无法提供足够低的物理错误率和足够多的比特。误差缓解是软件层面的统计修正，成本低但效果有限；两者目标相同、路线不同，NISQ 阶段主流是缓解。

为何常见：两者都“对抗噪声”，名称又相近，容易混淆“完全修复”与“统计压制”的本质区别。

面试题

Q1. 去极化噪声对量子态的主要影响是什么？

单选题 · easy

  • A.使量子态趋向完全混合态← 正确答案
  • B.使量子态始终停留在激发态
  • C.使量子态相位自动反向翻转
  • D.使量子态能量随时间持续升高

答案：A。去极化信道中，态以概率 p 被替换为完全混合态 $I/d$，整体偏向混合态而非保持纯态。选项 B、C、D 分别对应错误的能量、相位与时间行为，不是去极化的特征。

Q2. 退相干中的 T₂ 时间描述的是什么？

单选题 · easy

  • A.量子态能量衰减一半所需时间
  • B.相位相干性衰减的时间常数← 正确答案
  • C.量子比特执行单门的最短时间
  • D.经典比特翻转一次所需时间

答案：B。T₂ 对应相位退相干，描述量子叠加的相位相干被环境破坏的快慢，公式表现为非对角元指数衰减。T₁ 才是能量弛豫，A 描述的是 T₁，C 和 D 与退相干无关。

Q3. 去极化信道参数 p=0.4 时，Bloch 球上的态向量收缩为原来的几倍？

单选题 · mid

  • A.0.4 倍
  • B.0.6 倍← 正确答案
  • C.0.8 倍
  • D.1.0 倍

答案：B。去极化信道对 Bloch 向量的作用等价于整体缩放因子 $(1-p)$，因为混合项 $pI/d$ 不贡献极化方向的信息。代入 p=0.4 得 0.6，所以选 B。A 把噪声概率当成了保留比例，C 和 D 均不符合。

Q4. VQC 在高噪声环境下最常出现的现象是什么？

单选题 · mid

  • A.分类准确率提升且置信度增加
  • B.输出期望收缩导致边界点漂移← 正确答案
  • C.变分参数自动收敛到零值
  • D.量子比特数量自动减少

答案：B。噪声使输出态趋近混合态，测量期望整体收缩，边界附近的样本更容易因微小扰动被分错。A 与噪声影响相反，C 和 D 不是 VQC 的实际表现。

Q5. 零噪声外推（ZNE）的核心思想是什么？

单选题 · mid

  • A.增加物理比特数目以冗余编码
  • B.在不同噪声放大倍数下测量外推← 正确答案
  • C.用经典算法完全替代量子线路
  • D.只测量量子比特的基态能量

答案：B。ZNE 通过把噪声放大到 1、3、5 倍等档位测量期望，再拟合外推到噪声为 0 时的值。A 描述的是纠错码思路，C 是混合计算，D 是能量测量，均非 ZNE 做法。

Q6. 单门错误率 ε 与线路深度 d 下，线路总体保真度近似为多少？

单选题 · hard

  • A.F 约等于 1 除以 εd 的商
  • B.F 约等于 1 减 ε 的 d 次方← 正确答案
  • C.F 约等于 e 的 εd 次方
  • D.F 约等于 1 减 d²ε 的值

答案：B。每层门以概率 ε 出错，d 层全部成功的概率近似为 $(1-ε)^d$，深度大时进一步近似为 $e^{-εd}$。A 是反比关系不成立，C 随时间增长与噪声逻辑相反，D 缺少依据。

Q7. 量子测量噪声通常表现为哪类问题？

单选题 · easy

  • A.读出错误与有限采样统计涨落← 正确答案
  • B.量子比特数量超出预设范围
  • C.量子门执行时间自动延长
  • D.纠缠态自动退化为单比特态

答案：A。测量噪声指读取结果可能判错，以及有限次数测量带来的统计波动。B、C、D 都不是测量环节的描述，分别对应资源、门操作、纠缠演化问题。

Q8. 以下哪些属于 NISQ 时代实用的误差缓解策略？

多选题 · mid

  • A.零噪声外推 ZNE 技术← 正确答案
  • B.测量误差矩阵校准方法← 正确答案
  • C.全量子容错纠错码实现
  • D.概率误差消除 PEC 方法← 正确答案

答案：ABD。ZNE、测量校正、PEC 都是当前硬件可落地的缓解手段。全量子容错纠错码需要海量物理比特与极低错误率，NISQ 设备做不到，C 不属于实用缓解策略。

Q9. 噪声鲁棒线路设计的常见手段包括哪些？

多选题 · hard

  • A.压缩线路深度减少门数← 正确答案
  • B.使用动态解耦脉冲序列← 正确答案
  • C.噪声感知映射到低错比特← 正确答案
  • D.无限增加测量次数消除噪声

答案：ABC。压缩深度、动态解耦、噪声感知编译都能从源头或演化层面降低噪声影响。D 中无限增加测量只能压制统计涨落，无法对抗去极化与退相干，故不选。

Q10. 关于 VQC 部署与噪声验证，下列说法正确的有哪些？

多选题 · extreme

  • A.模拟器基准提供无噪声参考值← 正确答案
  • B.真实硬件评估关注比特映射串扰← 正确答案
  • C.监控只关注线路深度指标即可
  • D.混合部署把噪声敏感任务拆分← 正确答案

答案：ABD。模拟器无噪声跑分是理想基线，真实硬件要结合 T₁/T₂、门错误率和串扰选比特，混合架构按线路长度与错误预算拆分任务。C 忽略了准确率、错误率、QPU 利用率等多维指标，过于片面。