1. 课程导入与容错量子计算全景
量子计算之所以令人兴奋，是因为它能在某些问题上提供指数级或多项式级的加速；但它之所以难以真正落地，核心障碍之一在于量子比特极其脆弱。一个超导量子比特的相干时间通常在几十到几百微秒量级，门操作时间在几十纳秒量级，这意味着在退相干之前能执行的门数量有限；更麻烦的是，噪声并不只是"让结果稍微不准"，而是会以错误的形式在量子线路中传播、放大，最终让计算结果完全失去意义。容错量子计算（Fault-Tolerant Quantum Computing, FTQC）正是为应对这一根本矛盾而建立的一整套理论与工程体系。
理解容错，先要区分两个容易混淆的概念：量子纠错与容错。量子纠错解决的是"如何用多个物理量子比特编码一个逻辑量子比特，并检测、纠正错误"；而容错解决的是"在纠错电路本身也会出错的前提下，如何保证错误不会在纠错过程中级联扩散"。换句话说，纠错是静态的编码方案，容错是对整个操作集合（门、测量、态制备、传输）提出的动态要求。只做纠错而不做容错，往往会在 syndrome 提取电路里引入新的、更严重的错误。
三个核心概念的关系
本节最值得先建立的整体图景，是"物理噪声—编码—容错操作—阈值—逻辑资源"这条因果链。下图把课程后续要展开的关键对象放在同一张关系图中：左侧是物理层的噪声与门错误率，中间是纠错码与容错门协议，右侧是逻辑错误率与资源开销，而阈值定理则决定了这条链路能否"越纠越好"。
图中最关键的判断是阈值定理：存在一个临界物理错误率 p_th，当实际物理错误率 p 低于它时，通过增大码距 d，逻辑错误率可以按 (p/p_th)^((d+1)/2) 的量级被指数压低。表面码的阈值在理想电路级噪声模型下约为 1%，在更接近真实的噪声模型下通常降到 0.1%～0.5% 量级。这意味着：如果硬件门错误率是 10⁻³，理论上可以靠增大码距获得任意低的逻辑错误率；但如果硬件错误率是 10⁻²，那么再多的物理比特也无法换来可靠的逻辑比特。阈值定理因此把"物理器件指标"和"算法可行性"直接绑定在一起。
为什么资源评估是这门课的主线
很多初学者会误以为容错只是"把码距调大"。实际上，一个实用量子算法（例如 Shor 分解 2048 位整数，或量子化学中的 FeMoc 模拟）所需的逻辑比特数、逻辑门数和 T 门数量都是天文数字。以表面码为例，一个逻辑量子比特大约需要 2d² 个物理数据比特，加上用于 syndrome 提取的辅助比特和路由空间，实际开销常按 2d² 到数倍 2d² 估算。若 d=27，单个逻辑比特就要约 1458 个物理比特；若算法需要 2000 个逻辑比特，物理比特需求就达到数百万量级。而 T 门不能横向实现，必须通过魔术态蒸馏获得，每个蒸馏工厂又要占用大量物理比特和时钟周期。资源评估的意义就在于：在给定硬件错误率和算法逻辑门数的前提下，估算出物理比特数、运行时间和蒸馏开销，从而判断某条技术路线是否可行、瓶颈在硬件还是协议。
下面给出一个教学示例（参数为合理假设，非实测数据），用于说明资源估算的基本算法。假设物理门错误率 p=10⁻³，表面码阈值 p_th=10⁻²，目标逻辑错误率 10⁻¹²。按经验公式，逻辑错误率约为 0.1·(p/p_th)^((d+1)/2)，代入 p/p_th=0.1，需要 (0.1)^((d+1)/2) ≤ 10⁻¹¹，即 (d+1)/2 ≥ 11，取 d=23。单个逻辑比特约需 2d²≈1058 个物理比特。若算法需要 100 个逻辑比特、10⁸ 个 T 门，按每轮蒸馏产出 1 个高保真 T 态、蒸馏工厂约需 10d² 量级物理比特估算，仅蒸馏工厂就可能需要数万物理比特，运行时间由 T 门吞吐率决定。这个例子说明：资源评估不是简单乘法，而是码距、蒸馏层级、时钟周期与算法结构的联合优化。
本课程的学习路径与实战目标
课程将沿着"概念—编码—容错门—资源评估—综合实战"的路径展开。前期建立量子纠错与稳定子形式的基本语言，理解 syndrome 提取与解码；中期重点讲容错门协议，包括横向 Clifford 门、魔术态蒸馏、格点手术，以及为什么非 Clifford 门是资源开销的主要来源；后期进入资源评估方法，学习如何从物理错误率、码距、蒸馏层级推导逻辑错误率、物理比特数与运行时间，并用表格和脚本把估算过程固化下来。实战目标不是"跑通一个仿真"，而是能够独立完成一份容错资源评估报告：给定算法逻辑门数与硬件参数，给出码距选择、物理比特预算、时间估算和瓶颈判断，并能说明结论对哪些假设最敏感。
需要强调的是，容错量子计算目前仍处于工程攻坚阶段，许多参数（如真实噪声模型下的阈值、蒸馏协议的具体开销）依赖具体硬件与实现细节。本课程中的数值示例均标注为教学假设，目的是训练估算方法与判断逻辑，而非给出某台机器的实测结论。掌握这套方法后，读者面对不同硬件平台和不同算法时，都能快速建立自己的资源模型并识别关键风险点。