3. 症状提取电路的性能指标

症状提取电路是量子纠错周期中最频繁执行、也最容易被低估的部件。它不直接参与逻辑运算，却决定了纠错码能否在有限相干时间内完成一次完整的“探测—解码—纠正”闭环。评价一个症状提取电路好不好，不能只看“能不能测出症状”，而必须同时考察它消耗了多少时间、多少门、多少次测量、多少辅助比特，以及它在探测过程中把错误扩散到了什么程度。本节把这些维度逐一量化，并给出一个可操作的优化评价体系。

一、五个核心指标的定义与物理含义

电路深度（circuit depth）指从电路输入端到输出端、沿任一依赖路径所能串接的最多门层数。它直接对应症状提取在硬件上占用的时间窗口：深度越大，一个纠错周期越长，期间数据比特累积的退相干错误越多。需要强调的是，深度应按“可并行的门算作同一层”来统计，因此它同时反映了调度质量——同样的门数，并行度不同，深度可以相差数倍。

门数（gate count）是电路中基本门操作的总数，通常进一步拆分为单比特门数、双比特门数（CNOT/CZ）和特殊门数。在超导、离子阱等平台上，双比特门是错误的主要来源，因此双比特门数往往比总门数更具参考价值。门数决定了操作错误累积的期望值，也影响控制脉冲的总时长。

测量次数（measurement count）指一个症状提取周期内执行的测量操作总数，通常等于被测量的辅助比特数乘以测量轮次。测量在硬件上代价高昂：读出需要谐振腔或光电转换时间，且读出错误率往往高于单比特门错误率。测量次数还决定了经典解码器每周期需要处理的数据量。

辅助量子比特数（ancilla count）是症状提取电路占用的额外量子比特数量。它既是硬件资源约束（芯片上可用比特有限），也影响布局布线：辅助比特越多，耦合边越多，串扰和布线拥塞越严重。对于表面码，每个稳定子通常配一个辅助比特，但通过时分复用可以减少峰值占用。

错误传播概率（error propagation probability）描述一个数据比特上的错误在提取过程中被“搬运”到其他数据比特或辅助比特上的可能性。典型机制是：CNOT 门把控制比特的 X 错误传播到目标比特，把目标比特的 Z 错误反向传播到控制比特。若一个辅助比特在测量前已出错，它可能把错误注入多个数据比特，形成“钩状错误”（hook error）。这一指标通常用单次提取中错误扩散到的最坏情况权重，或平均扩散比特数来度量。

二、指标之间的耦合关系

这五个指标并非彼此独立，而是存在明显的权衡。减少辅助比特数往往意味着时分复用，从而增加测量轮次和电路深度；压缩电路深度通常需要增加并行度，可能引入更多辅助比特和耦合边；而降低错误传播概率的常用手段——插入“旗标”辅助比特或增加校验门——又会抬高门数与辅助比特数。因此，优化不能单指标突进，必须放在统一框架下权衡。

三、从单指标到综合代价函数

工程上更实用的做法是把五个指标折算成一个可比较的标量代价。一个常用的加权形式是：

C = w_d · D/D_ref + w_g · G/G_ref + w_m · M/M_ref
  + w_a · A/A_ref + w_e · P_e/P_ref

其中 D、G、M、A、P_e 分别为深度、门数、测量次数、辅助比特数和错误传播概率，带下标 ref 的量是同一硬件平台上的参考基准（例如未优化版本或理论下界），w 为权重，满足各权重之和为 1。归一化的意义在于让量纲不同的指标可以相加：深度以“层”计，门数以“个”计，测量以“次”计，辅助比特以“个”计，错误传播概率是 0 到 1 之间的小数，直接相加没有物理意义。

权重的选取取决于应用场景。在近中期含噪设备上，退相干时间有限，深度和双比特门数应占主导，可设 w_d = 0.3、w_g = 0.3；在读出保真度较差的平台上，测量次数权重应上调；在比特数紧张的芯片上，辅助比特数权重提高。一个可参考的默认配置是 w_d = 0.25、w_g = 0.25、w_m = 0.2、w_a = 0.15、w_e = 0.15，实际使用时按平台瓶颈调整并记录理由，保证不同版本之间可比。

四、教学示例：表面码单轮提取的指标核算

下面给出一个明确标注为教学假设的示例，用于演示核算流程，数值不代表任何真实硬件实测。设一个距离 d = 3 的表面码，含 9 个数据比特、8 个辅助比特，单轮提取需测量 8 个稳定子。假设采用标准 CNOT 序列，每个稳定子由 1 个辅助比特经 4 个 CNOT 与周围数据比特交互，另加 1 个初始化门和 1 个测量门。

• 门数：每个稳定子 4 个 CNOT + 1 个 H（用于 X 型稳定子）+ 1 个初始化，8 个稳定子合计约 8 × 6 = 48 个门，其中双比特门 32 个。
• 电路深度：若 8 个辅助比特可完全并行调度，深度约为 4 层 CNOT 加初始化与测量层，取 6 层；若耦合边受限只能部分并行，深度可能升至 10 层以上。
• 测量次数：8 次，对应 8 个辅助比特各测一次。
• 辅助比特数：峰值 8 个；若采用 4 个辅助比特分两批复用，则峰值降为 4，但测量轮次变为 2 轮、深度约翻倍。
• 错误传播概率：在无旗标保护的标准序列中，一个辅助比特的测量前错误可经 4 个 CNOT 扩散到最多 4 个数据比特，取最坏扩散权重 4 作为该版本的传播指标；插入旗标辅助比特后可压到 2，但门数和辅助比特数上升。

把两组方案代入代价函数（取默认权重，参考基准取标准序列本身），可直观看到：复用方案在辅助比特项上得分更优，却在深度和测量项上明显变差，综合代价未必更低。这正是评价体系的价值——它阻止我们凭直觉只优化某一个显眼指标。

五、优化评价体系的落地要点

建立评价体系时，有三点容易被忽略。第一，基准必须固定。所有归一化参考量应来自同一码距、同一硬件拓扑、同一门集合，否则跨版本比较会失真。第二，错误传播概率要区分最坏情况与平均值。最坏扩散权重决定逻辑错误率的上界，平均扩散比特数更适合做统计性代价，两者应同时记录。第三，指标核算应与解码器联动。测量次数增加会抬高解码器输入规模，若解码延迟超过纠错周期，再低的门数也无法兑现。因此建议在评价表中增设一列“解码延迟是否满足实时约束”，作为硬性门槛而非加权项。

综上，症状提取电路的优化不是追求某一项指标的最小值，而是在深度、门数、测量、辅助比特与错误传播之间寻找与当前硬件瓶颈匹配的平衡点。把五个指标显式定义、归一化并加权，再辅以实时解码约束作为门槛，才能让“优化”从经验判断变成可复现、可比较的工程决策。