2. 测量错误在表面码中的表现

表面码的稳定子测量并不是“免费”的：每一次测量都要借助辅助量子比特、受控门和经典读出，任何环节出错都会让测量结果翻转。理解测量错误，关键要把它与数据量子比特错误区分开，并看清它如何污染 syndrome 信息。本节围绕三条主线展开：数据错误与测量错误的关系、测量错误对 syndrome 的破坏机制、以及典型错误模式的识别。

一、两类错误的本质区别

在表面码中，数据量子比特错误是物理量子比特本身发生的 X、Z 或 Y 型翻转，它会真实改变稳定子的本征值；而测量错误发生在“读取稳定子”这一过程上，数据量子比特可能完好无损，但辅助比特的制备、纠缠或读出出了偏差，导致记录下来的 syndrome 位与真实值相反。二者的关键差别在于：数据错误会持续存在并参与后续的纠错判据，测量错误只影响当次测量结果，下一次测量可能恢复正常。

这一区别带来一个重要推论：单次 syndrome 测量不足以可靠判断错误位置。若某个稳定子在某轮测量中翻转，可能是相邻数据比特真的出错，也可能只是这次测量本身出错。表面码的译码器因此通常工作在“时空”维度上——把连续多轮的 syndrome 变化连起来看，用重复性来区分真实错误与测量噪声。

二、测量错误如何破坏 syndrome 信息

表面码的 syndrome 是一组随时间和空间演化的比特序列。译码器把相邻两轮 syndrome 的差异（即“探测事件”）作为输入，寻找最可能解释这些事件的错误链。测量错误直接污染这一输入：它会在本不该出现探测事件的位置制造一个虚假事件，或抵消一个真实事件，使译码器把错误链的端点“放错位置”。

更具体地说，测量错误有两种典型破坏方式。其一是虚假端点：某稳定子测量翻转，译码器误以为附近有数据错误链的端点，于是匹配出一条并不存在的错误路径，施加的纠正反而引入新错误。其二是端点湮灭：真实数据错误造成的翻转恰好被一次测量错误抵消，探测事件消失，译码器看不到端点，错误链被“漏掉”，错误继续累积。前者是“无中生有”，后者是“有而未见”，两者都会降低纠错阈值。

从信息角度看，测量错误相当于在 syndrome 序列上叠加了一层时间维度的噪声。由于表面码的译码本质上是为探测事件做最小权重匹配，测量错误率 p_m 越高，匹配图上的“边权”就越不可信。工程上常用重复测量次数 d 轮（d 为码距）来压制测量噪声：只要同一稳定子在多轮中多数一致，单次翻转就能被时间维度的冗余过滤掉。

三、典型错误模式示例

下面给出三种在 syndrome 图上容易辨认的模式，均以“探测事件”为观察对象（相邻两轮测量值不同即记一次事件）。

以一个 d=3 的示例说明判读过程（以下数值为教学假设，非实测）：设某稳定子在连续 3 轮测量中记录为 0、1、0，则只在中间轮出现一次探测事件，呈孤立单点，优先判为测量错误；若记录为 0、1、1、0，则事件持续两轮，更可能是真实数据错误，需要结合相邻稳定子是否同步翻转来定位。若相邻稳定子也出现同轮翻转，则两端点配对，错误位于两者之间的数据比特上。

四、建模时的参数与观察要点

在建立测量错误模型时，至少需要区分三个参数：数据错误率 p、测量错误率 p_m、以及测量轮数 T。三者共同决定探测事件图的稀疏程度与匹配复杂度。实践中应把 p_m 单独建模，而不是简单并入 p，因为测量错误只作用于时间维，数据错误同时作用于空间维，混在一起会高估空间错误密度、低估时间冗余的作用。

观察要点可归纳为：统计探测事件在时间上的自相关，若相邻轮事件高度相关，说明数据错误占主导；若事件在时间上近似独立、单点比例高，说明测量错误占主导。据此调整重复测量轮数或辅助比特读出保真度，才是对症的优化方向。