2. 量子纠错循环的物理与数学基础
要理解量子纠错循环仿真，必须先建立一套统一的“语言”：物理层面，量子比特会以怎样的方式出错；数学层面，如何用稳定子形式描述“合法码空间”；测量层面，症候如何被提取；软件层面，解码器接口如何接收症候并返回修正。循环仿真之所以是评估纠错性能的核心手段，正是因为它把上述四个层面串成一个可重复、可统计的闭环。
稳定子形式：用对易关系定义码空间
稳定子形式的核心思想是：不直接枚举码字，而是用一组相互对易的泡利算符生成元 S = <g₁, g₂, …, g_{n-k}> 来定义码空间。对于编码 [[n, k, d]] 码，n 个物理比特、k 个逻辑比特，需要 n−k 个独立生成元。码空间就是所有满足 g_i|ψ⟩ = +|ψ⟩ 的态集合，即所有生成元同时取 +1 本征值的联合本征子空间。
以最简单的重复码为例，三个物理比特编码一个逻辑比特，生成元为 Z₁Z₂ 与 Z₂Z₃。它们相互对易，且能检测单比特 X 错误：若 X 错误发生在第 1 个比特上，Z₁Z₂ 本征值翻转为 −1，而 Z₂Z₃ 仍为 +1，症候为 (1,0)。这种“错误位置 ↔ 症候模式”的对应关系，是后续解码的基础。
稳定子形式还给出两个关键量：逻辑算符是能与所有生成元对易、但不属于稳定子群的算符，它们改变逻辑信息；错误算符若与某个生成元反对易，就会翻转该生成元的本征值。因此，症候测量本质上是在测量错误算符与各生成元的对易关系。
错误模型：从物理噪声到可仿真算符
真实量子硬件的噪声复杂，仿真中通常抽象为几种可参数化的错误模型。最常见的是去极化信道：以概率 p 对每个量子比特独立施加 X、Y、Z 之一（各 p/3），或以 1−p 保持不变。它适合描述单比特门后的随机错误。另一种是相位翻转信道，以概率 p 施加 Z 错误，常用于刻画退相干主导的系统。测量错误则单独建模：以概率 p_m 将测量结果 0/1 翻转。
在循环仿真中，错误模型决定了“注入什么”。一个典型设置是：每个纠错循环内，先对数据比特施加去极化噪声，再执行症候测量电路，测量过程中辅助比特也可能出错。参数通常写成 p_data、p_meas、p_gate，分别对应数据错误率、测量错误率和门错误率。仿真时按这些概率独立采样，得到每次循环的实际错误算符，再计算其症候。
症候测量：把错误“投影”成比特串
症候测量不是直接测量数据比特，而是通过辅助比特间接测量每个稳定子生成元。以 Z₁Z₂ 为例：准备辅助比特于 |0⟩，用 CNOT 从数据比特 1 控制到辅助比特，再用数据比特 2 控制到辅助比特，最后测量辅助比特。若两个数据比特的 Z 本征值相同，辅助比特回到 |0⟩，测量为 0；若不同，辅助比特翻到 |1⟩，测量为 1。
一次完整循环会得到长度为 n−k 的症候比特串。例如表面码距离 d=3 时有 8 个稳定子，症候为 8 位。仿真中，症候由错误算符与生成元的对易关系直接计算：若错误与 g_i 反对易，则第 i 位为 1，否则为 0。这个计算是确定性的，不涉及随机采样，因此可以快速生成大量样本。
解码器接口：症候进，修正出
解码器的职责是：给定症候，推断最可能的错误算符，并返回修正操作。一个清晰的接口通常包含以下字段：
- 输入：症候比特串
s，长度 n−k；可选地包含上一轮症候s_prev，用于计算探测事件e = s XOR s_prev。 - 输出：修正算符
c，通常表示为泡利算符列表或比特翻转位置；也可返回逻辑修正标志。 - 元数据：码距 d、生成元列表、错误率参数，供解码器内部使用。
以最小权重解码为例：给定症候 s，枚举所有与 s 对应的错误算符，选择权重最小的一个作为修正。对于重复码，症候 (1,0) 对应第 1 位 X 错误，修正即为 X₁。对于表面码，常用 MWPM（最小权完美匹配）解码：把探测事件视为图中的顶点，用边权表示错误概率，寻找最小权匹配，匹配路径上的边即为修正算符。
接口设计的关键是“可替换”：同一套症候生成流程，可以接入不同解码器（查表、MWPM、神经网络解码器），只需保证输入输出格式一致。这样循环仿真就能公平比较不同解码策略的性能。
循环仿真：把一次纠错变成可统计的闭环
单次纠错只能说明“这一次是否成功”，而纠错性能评估需要统计大量循环。循环仿真的基本流程是：初始化逻辑态 → 施加噪声 → 测量症候 → 解码 → 施加修正 → 判断逻辑是否出错 → 记录结果 → 进入下一轮。重复 N 次后，统计逻辑错误率 p_L。
判断逻辑是否出错，需要计算逻辑算符的期望值是否被翻转。对于重复码，逻辑 Z 算符为 Z₁Z₂Z₃；若修正后该算符本征值变为 −1，则发生逻辑错误。仿真中通常直接比较“实际错误 + 修正”是否等价于一个逻辑算符：若等价，则逻辑错误；否则成功。
循环仿真的核心地位体现在三点：第一，它把物理错误率 p 与逻辑错误率 p_L 定量关联，得到阈值曲线；第二，它允许扫描不同码距 d，观察 p_L 随 d 的指数抑制趋势；第三，它支持在相同噪声模型下比较不同解码器，为硬件设计提供依据。例如，当 p 低于阈值时，增大 d 会显著降低 p_L；当 p 高于阈值时，增大 d 反而使 p_L 上升。
上图把循环仿真的四个关键环节与阈值行为放在同一视图中：左侧是“噪声→码→症候→解码→修正→判断”的闭环，右侧是不同码距下的 p_L 曲线。可以看到，阈值 p_th 是分水岭：低于它，增大码距带来指数级抑制；高于它，纠错反而放大错误。循环仿真的价值，就是通过大量采样把这条曲线画出来，为码距选择、解码器优化和硬件错误率目标提供定量依据。