1. 课程导入与全景认知

量子纠错（Quantum Error Correction, QEC）是通往容错量子计算绕不开的一级台阶。物理量子比特天然脆弱：退相干、门操作误差、测量误差、串扰都会不断把信息推向错误状态。纠错码通过把若干物理比特编码成一个逻辑比特，并周期性执行“综合征测量—解码—反馈修正”的循环，把逻辑错误率压到远低于物理错误率的水平。而量子纠错循环仿真与性能评估，就是用经典计算手段在真实硬件之外，把这一循环完整地跑起来，量化它在给定噪声模型下到底能把逻辑错误率压到多低、需要付出多少物理比特与时间开销。

本课程的目标不是推导某个具体码的数学证明，而是建立一条可执行的工程链路：给定一个纠错码和一套噪声参数，能够搭建仿真器、注入错误、执行综合征提取、运行解码器、统计逻辑错误率，并据此判断该方案是否满足目标阈值。学完之后，你应当能独立回答三个问题：这个码在什么噪声水平下有效？它的逻辑错误率随码距如何缩放？为了达到某个逻辑错误率目标，需要多少物理比特和多少轮测量？

核心挑战在哪里

第一个挑战是噪声模型的真实性。仿真里最常用的去极化信道（depolarizing channel）假设错误均匀且独立，但真实硬件中错误往往有偏：相位翻转比比特翻转更常见，测量错误率远高于单比特门错误率，相邻比特之间存在关联错误。噪声模型选错，仿真结论可能乐观一个数量级。

第二个挑战是解码器的复杂度。表面码的综合征解码本质上是一个最大似然匹配问题，精确求解是 NP 难的。工程上常用最小权重完美匹配（MWPM）或并查集（Union-Find）解码器，它们在低错误率下接近最优，但错误率升高后性能迅速退化。解码器的选择直接决定仿真结果的上限。

第三个挑战是统计显著性。逻辑错误率通常低至 10⁻⁶ 甚至更低，要观测到足够多的逻辑错误事件，需要运行海量轮次。若每轮仿真耗时 1 毫秒，观测 100 个逻辑错误就需要约 10⁸ 轮，即约 28 小时。因此必须设计合理的采样策略与置信区间估计方法，否则得到的“逻辑错误率”可能只是统计噪声。

整体技术路线图

本课程的技术路线可以概括为一条从“码定义”到“性能结论”的数据流：先确定纠错码的稳定子结构与校验矩阵，再定义噪声信道与错误注入方式，然后执行综合征提取得到测量结果，交由解码器推断最可能的错误模式，最后施加修正并统计逻辑算符是否被触发。下图给出这条链路的整体结构，以及每一环对应的关键参数与输出。

图中虚线回路是理解 QEC 仿真的关键：纠错不是一次性动作，而是周期性重复的循环。每一轮都重新注入噪声、重新测量综合征、重新解码。逻辑错误率是“经过 N 轮循环后逻辑态被翻转的概率”，而不是单轮概率。因此仿真必须显式建模轮数，并区分“单轮逻辑错误率”与“每轮平均逻辑错误率”。

学习路径与实战项目

课程按“概念—工具—实现—评估—优化”的顺序推进。前几章建立稳定子码、综合征、解码等基础概念；中段进入仿真器搭建，包括噪声信道实现、综合征提取电路模拟、解码器接口；后段聚焦性能评估方法，包括阈值扫描、有限尺寸缩放分析、置信区间估计；最后用综合实战项目把整条链路串起来。

贯穿全课程的实战项目是：为一个码距 d=3、5、7 的表面码搭建循环仿真器，在去极化噪声模型下扫描物理错误率 p ∈ [10⁻⁴, 10⁻²]，绘制逻辑错误率曲线并估计阈值。项目要求输出可复现的代码、参数配置文件和结果图表，并对“阈值附近结果为何不稳定”给出解释。这个项目覆盖了本课程的全部核心技能，也是检验学习效果的直接标准。

需要提前说明的是，本课程中的示例参数（如 p=0.001、d=3、轮数 N=10⁵）均为教学用合理假设，用于演示方法与流程，不代表任何特定硬件的实测指标。真实项目中，这些参数应来自目标硬件的标定数据。理解方法如何随参数变化，比记住某个具体数值更重要。