1. 课程导入与测量链路全景

在量子计算实验中，我们真正关心的往往不是“量子比特处于什么状态”这个抽象问题，而是“仪器最终读出的电压或计数告诉我们它处于什么状态”。这两者之间隔着一条完整的信号链：量子比特的量子态先被映射为可测量的物理量，再经过谐振腔、传输线、放大器、混频器、采集卡，最后变成计算机里的一串复数点或计数直方图。理解这条链路，是优化信噪比（SNR）与读出保真度（Fidelity）的前提。

本节先建立全局视角：明确信噪比与读出保真度各自的定义、它们之间的关系，以及本课程后续 29 节将围绕哪些环节展开优化。

一、从量子态到读出结果：完整信号路径

以超导量子比特的色散读出为例，典型链路如下。量子比特处于 |0⟩ 或 |1⟩ 时，其与读取谐振腔的色散耦合会使腔的共振频率发生微小偏移，偏移量约为 χ/2π（典型值 0.5～5 MHz）。当我们向读取腔发送一个探测微波脉冲（典型频率 6～8 GHz，功率约 -20 dBm，脉宽 100 ns～1 μs）时，腔的反射或透射信号会携带这一频率偏移信息。信号随后经过环形器隔离、约瑟夫森参量放大器（JPA）或行波参量放大器（TWPA）进行近量子极限放大，再经高电子迁移率晶体管（HEMT）放大器二次放大，下变频到中频，最后由 ADC 采样并解调为 I/Q 两路电压。

整个链路可以概括为五个关键环节：态制备 → 量子态-腔场耦合 → 信号放大 → 下变频与采集 → 判别与统计。每一环都会引入噪声或失真，最终共同决定读出保真度。

二、信噪比与读出保真度的定义

信噪比（SNR）描述的是信号功率与噪声功率之比。在量子读出中，更实用的定义是：对 |0⟩ 和 |1⟩ 分别重复测量 N 次，得到两组 I/Q 电压分布，其均值分别为 μ₀、μ₁，标准差分别为 σ₀、σ₁。则单次测量的信噪比可写为：

SNR = |μ₁ - μ₀| / sqrt((σ₀² + σ₁²) / 2)

这个量直接反映了两组分布在 I/Q 平面上的“分离程度”。SNR 越大，两个态越容易区分。

读出保真度（Readout Fidelity）则从统计结果出发，定义为正确判别的概率。若用阈值判别，保真度可拆成两部分：把 |0⟩ 正确判为 0 的概率 F₀，以及把 |1⟩ 正确判为 1 的概率 F₁。整体保真度常取平均：

F = (F₀ + F₁) / 2
F₀ = P(判为0 | 实际为0)
F₁ = P(判为1 | 实际为1)

在理想高斯噪声近似下，错误率与 SNR 之间满足互补误差函数关系：

P_error ≈ 0.5 * erfc(SNR / 2)

例如，当 SNR = 4 时，P_error ≈ 0.023，对应 F ≈ 97.7%；当 SNR = 6 时，P_error ≈ 0.0013，对应 F ≈ 99.87%。这说明 SNR 每提升一点，保真度会以指数方式改善。但要注意，这个关系只在噪声近似高斯、判别边界最优时成立；实际系统中还会受到弛豫、腔剩余光子、放大器非线性等因素影响。

三、SNR 与保真度的相互关系

SNR 是“物理层”指标，保真度是“信息层”指标。SNR 高不一定保真度就高，因为如果判别阈值选偏了，或者 |1⟩ 态在测量过程中发生了弛豫，分布虽然分得开，但统计上仍会出错。反过来，保真度低时，我们通常先查 SNR 是否足够，再查判别方法是否最优。

因此，优化路径可以分成两条主线：提升 SNR（降低噪声、提高信号增益、优化脉冲）和提升判别效率（选择最优阈值、使用聚类或神经网络判别、校正态制备误差）。本课程后续章节将围绕这两条主线展开。

四、本课程任务地图

接下来的 29 节将按以下逻辑推进：

• 第 2～6 节：噪声来源与建模。 分析腔光子数噪声、放大器噪声、T₁ 弛豫、ADC 量化噪声等，建立噪声预算表。
• 第 7～12 节：信号链优化。 包括读取脉冲设计、腔参数选择、JPA/TWPA 工作点调节、HEMT 偏置优化、滤波与屏蔽。
• 第 13～18 节：采集与解调。 混频器校准、I/Q 不平衡校正、采样率与积分窗口选择、解调相位优化。
• 第 19～24 节：判别与统计。 阈值法、高斯混合模型、聚类、神经网络判别，以及保真度矩阵的测量与校正。
• 第 25～30 节：系统级优化与案例。 多比特串扰、复用读出、实时反馈、保真度基准测试与误差预算复盘。

本节建立了从量子比特到读出结果的全局图景。接下来，我们将从噪声来源开始，逐环拆解，先看清“敌人”在哪里，再谈如何提升 SNR 与保真度。