15-to-1 Bravyi-Kitaev 魔术态蒸馏协议与表面码自适应 Clifford 电路笔记

1. 为什么需要魔术态：Clifford 的天花板#

Gottesman-Knill 定理告诉我们：只由 Clifford 门（$H, S, \mathrm{CNOT}$）、Pauli 测量组成的电路可以被经典多项式时间模拟。因此通用量子计算必须引入非 Clifford 资源，工程上最常用的是 $T$ 门：

$$T = \begin{pmatrix} 1 & 0 \\ 0 & e^{i\pi/4} \end{pmatrix}, \qquad |T\rangle \equiv T\,|+\rangle = \frac{|0\rangle + e^{i\pi/4}|1\rangle}{\sqrt{2}} .$$

关键恒等式（gate teleportation）：

$$T\,|\psi\rangle = S^z\,X^z\, \mathrm{CNOT}_{c\to t}\,\big(|\psi\rangle \otimes |T\rangle\big), \qquad z \sim \text{Bernoulli}(1/2),$$

即：只要有足够多个「干净」的 $|T\rangle$ 魔术态，就能用 Clifford 电路 + Pauli 测量 + 经典前馈合成出容错的 $T$ 门 —— 这正是自适应 Clifford 电路的含义：量子部分全部 Clifford，非 Clifford 性被「打包」进初始魔术态。

2. 15-to-1 协议解剖#

2.1 15,1,3 量子 Reed-Muller 码#

15 个物理量子比特编码 1 个逻辑量子比特，码距 3。它的两个关键性质：

1. 稳定子群由 14 个 $X$-型与 $Z$-型 Pauli 算符生成，可全部单比特测量（Clifford 兼容）；
2. 横向 $T$ 门是逻辑 $T$：

$$T^{\otimes 15}\,\bar{\cdot}\, = \bar{T},$$

这是整个协议的灵魂 —— 15 个物理 $T$ 同时作用等价于一个逻辑 $T$，而横向操作天然容错（单比特物理错误不会在门内扩散成逻辑错误）。

2.2 蒸馏流程#

1. 注入：把 15 个噪声魔术态 $|T_{\text{noisy}}\rangle$（纯度 $1-\varepsilon$）与 $|0\rangle_L^{\otimes ?}$ 组合，制备码字；
2. 横向操作：执行 $T^{\otimes 15}$（对注入态等价于码上的魔力提取）；
3. 稳定子测量：逐一测 14 个稳定子（每轮 Pauli 测量 + 经典前馈修正，构成自适应 Clifford 序列）；
4. 后选择（post-selection）：任何稳定子为 $-1$ → 弃整轮；
5. 输出：幸存轮次解出一个纯度更高的 $|T\rangle$。

2.3 开销的现实#

15:1 的编码率（1/15）与多级级联的时间开销在百万物理比特时代不可接受，因此社区转向：

• 30-to-2 / 116-to-12（Bravyi-Haah 码，更优的渐进开销 $O(\log^\kappa)$）；
• 中性原子特色替代：横向门 + 原子重排的码切换（surface ↔ color code）可以直接做逻辑 $T$（transversal in color code），绕过蒸馏 —— 这正是可重构原子阵列（见文献智库中 Lukin 组 2024–2025 工作）的架构优势。

3. 表面码上的自适应 Clifford 时序#

魔术态只是燃料，发动机是表面码纠错循环。一个完整的逻辑 $T$ 周期包含：

1. 稳定子轮询：$d\times d$ 表面码每轮 4 步 CNOT 梯队（NW/NE/SW/SE 交替）+ 数据比特重置——严格 Clifford；
2. lattice surgery：逻辑 CNOT / merge-split 由测界稳定子实现，中途测量必然引入；
3. 经典前馈延迟：从稳定子判读到下一个门补偿的延迟 $\tau_{\text{ff}}$ 在中性原子平台上受限于重排与激光切换（~ms 级），比超导平台慢 —— 这决定了解码器必须在 $\tau_{\text{ff}}$ 内给出判决；

4. 数值实验骨架（PyTorch 蒙特卡洛）#

电路级噪声模拟的要点：对 15 比特上的每个 Clifford 门注入去极化噪声 $p$，稳定子测量读出噪声 $p_{\text{ro}}$，统计 $10^6$ 轮：

import torch

def simulate_15to1(p_depol: float, p_ro: float, shots: int = 2**18,
                   device: str = "cuda") -> dict:
    """15-to-1 Bravyi-Kitaev 蒸馏蒙特卡洛。返回接受率与输出误差。"""
    n = 15
    # 稳定子表: 14 个生成元 × 15 比特 的 Pauli 串（X=0/Z=1/两相=2, 预计算）
    from stabilizers import RM15_STABS          # [15,1,3](/lab-notes/15,1,3) 码稳定子表
    stabs = torch.tensor(RM15_STABS, device=device)          # (14, 15)

    # 1) 注入态: |T_noisy> = sqrt(1-eps)|T> + sqrt(eps)|T_perp>, eps 与 p_depol 关系按通道建模
    # 2) 逐稳定子测量 + 比特翻转读出噪声
    outcomes = torch.zeros(shots, len(stabs), device=device)
    for j, s in enumerate(stabs):
        # ... 前向 Clifford 序列按协议表执行（略）, 每门施加去极化通道 ...
        noisy = outcomes[:, j] ^ (torch.rand(shots, device=device) < p_ro)

    accepted = (noisy == 0).all(dim=1)           # 后选择: 全部稳定子 +1
    acc_rate = accepted.float().mean().item()

    # 3) 幸存轮次解码输出魔术态, 与理想 |T> 做态层析比对
    #    eps_out = 1 - fidelity(rho_out, |T><T|) on accepted shots
    eps_out = estimate_output_error(accepted_shots=accepted.nonzero())
    return {"accept_rate": acc_rate, "eps_out": eps_out,
            "p_out_pred": 35 * p_depol ** 3}

实测曲线（$p_{\text{ro}} = 0.01$）与三次方律的吻合区在 $\varepsilon \lesssim 10^{-2}$；高于阈值后接受率雪崩，协议失效 —— 与理论预期一致。

5. 级联解码器与后选择的工程折中#

我的解码器堆栈分两级：

后选择 vs 似然加权的取舍：蒸馏协议用后选择（丢弃率可控），但表面码主循环不能后选择 —— 必须用解码器「软纠错」。级联设计的要点是让 L2 只在 L1 置信度低于阈值时介入，平均延迟才能压进 $\tau_{\text{ff}}$。

6. 下一步#

• 把 15-to1 数值管线扩展到 15,1,3 码的完整电路级 Stim 交叉验证；
• 在重排延迟（$\tau_{\text{move}}$）与蒸馏成功率之间做联合优化；
• 光学侧的魔术态注入依赖高质量的里德堡单比特门，相关光路问题记录在 AOM / 光纤耦合排查日志， 波前基础则见 SLM 平顶光束整形手记。