作者: Emmanouil Giortamis, Felix Gust, Aleksandra 'Swierkowska, Sandra Stankovic, Innocenzo Fulginiti, Yanbin Chen, Xiaorang Guo, Benjamin Lienhard, Martin Schulz, Pramod Bhatotia

1. 核心物理图象

本文的核心物理图象是：在分布式量子计算（DQC）和量子纠错（QEC）中，**电路中部测量（MCM）**及其后续的经典反馈是速度和保真度的主要瓶颈。MCM错误会导致实时分支错误（即执行了错误的量子操作），而测量和反馈的延迟会加剧量子比特的退相干。作者提出了一个名为 MCMit 的软硬件协同设计方案，旨在同时降低延迟和抑制错误：硬件上，他们设计了一个恒定延迟的多比特分支指令，以及两种高精度的量子态判别器（Transformer和CNN），使得测量更快、反馈更迅速；软件上，他们通过静态分析和随机分支技术来消除或缓解残留的错误。简言之，本文通过软硬件的紧密配合，为DQC和QEC中的关键操作“瘦身”和“纠错”，大幅提升了整体性能。

2. 关键术语解释

• 中部电路测量 (Mid-Circuit Measurement, MCM): 在量子电路执行过程中，对部分量子比特进行测量，并根据测量结果实时控制后续的量子操作。这就像是在长途旅行中“中途检查”，而不仅仅是终点站。它的重要性在于，它是实现量子纠错和分布式量子通信的基础，但其本身极易出错且速度慢，是整个系统的“瓶颈”。
• 分支错误 (Branching Error): 当MCM结果本身出错时，控制逻辑会据此执行错误的后续操作。与最终测量错误可事后修正不同，这种错误会不可逆地传播，导致整个计算失真。这类似用错误的信号灯指挥交通，会导致后续所有车辆（量子操作）都走错方向。
• 量子态判别器 (Qubit-State Discriminator): 一种机器学习模型，负责“解读”量子测量的原始信号（I/Q轨迹），判断量子比特是0还是1。其准确性和速度直接决定了MCM的质量。更快的判别器能缩短测量时间，减少退相干，但往往精度不够；本文设计的判别器在短测量下也能保持高精度。

3. 主要贡献

• 硬件层面：更快的经典反馈。提出了一个可扩展的branch_reduce_fproc指令，原生支持多量子比特的逻辑运算（如XOR、多数投票），实现了恒定延迟的经典反馈，将延迟降低了70%，使得复杂控制逻辑的执行不再受量子比特数量的拖累。
• 硬件层面：更准的短时测量。设计了两种基于深度学习的量子态判别器（Transformer和CNN），它们能直接处理原始I/Q轨迹，在**极短的测量时间（250-500ns）**下，仍能保持高判别精度（比基线高62%），从而在不牺牲准确性的前提下大幅缩短测量周期。
• 软件层面：电路与错误协同优化。提出了一套编译期软件优化流程，包括动态电路简化（消除不必要的MCM）、测量加固（利用重复码和奇偶校验检测错误）以及随机分支（根据硬件误差率概率性地反转分支条件），从而全面抑制分支错误，将保真度提升了18-30%。

4. 研究方法

MCMit的研究方法是典型的三层协同设计：

• 硬件设计：基于开源FPGA控制器Qubic，修改其算术逻辑单元（ALU）和控制单元，实现了新的多比特分支指令，该指令利用LUT并行处理32个量子比特的测量结果。同时，设计了两种判别器模型（Transformer和CNN）直接处理原始I/Q轨迹，其中CNN经过压缩和INT8量化，以便在FPGA上高效运行。
• 软件设计：利用“量子常量传播”技术在编译期静态分析电路，识别并替换/删除哪些MCM可以安全移除，从而减少运行时分支指令。同时，利用硬件提供的混淆矩阵（即测量错误概率），在编译时决定如何随机反转分支条件（随机分支），以在统计上抵消分支错误的影响。
• 评估方法：通过实验提取的真实读取轨迹和模拟仿真，在MECH和表面码两个应用中对MCMit进行了全面的性能、保真度和逻辑错误率评估。

5. 实验结果与结论

关键结果表明，MCMit在多个层面都取得了显著提升：

• 其分支指令将经典反馈延迟最多降低了70%，使分布式量子计算的有效电路深度提升了7倍。
• 其CNN判别器在短测量（250-500ns）下准确率比HERQULES高62%，将量子纠错的逻辑错误率最多降低了9.4倍。
• 其软件层通过在编译期简化动态电路并随机化分支条件，在真实量子硬件上使保真度比未缓解时提升了30%。

这些结论表明，通过软硬件的协同设计，可以有效突破MCM带来的性能瓶颈，为未来大规模分布式量子计算和容错量子计算机的实现铺平了道路。开放性问题包括：如何将随机分支技术应用于实时解码场景，以及如何将MCMit的设计扩展到其他量子计算架构（如中性原子或离子阱）。

6. 论文标签

量子纠错, 编译与优化, 量子机器学习, 物理硬件, 量子算法

📄 点击此处展开/折叠原文 PDF

原文链接： MCMit: Hardware-Software Co-Design for Mid-Circuit Measurement Error Mitigation