最小权重完美匹配（MWPM）简介

一、什么是 MWPM？

最小权重完美匹配（Minimum-Weight Perfect Matching） 是图论中的经典优化问题：

给定一个带权无向图 G=(V,E)G=(V,E)G=(V,E)，其中每条边 eee 有一个非负权重 w(e)w(e)w(e)，MWPM 的目标是找到一个完美匹配（perfect matching），使得匹配中所有边的权重之和最小。

完美匹配 的定义：一组边的集合，使得图中每个顶点恰好被覆盖一次（即每个顶点只属于匹配中的一条边）。

二、MWPM 与量子纠错的关系

在量子纠错码（特别是表面码 和环面码）中，MWPM 是解码的核心算法：

量子纠错概念	对应的图论概念
XXX 检查算符（测量点）	图的顶点（node）
单量子比特 ZZZ 错误	图的边（edge）
综合征 = 哪些检查算符反对易	缺陷点（defects）
找到最可能的错误模式	找最小权重完美匹配
边的权重	wi=log⁡1−pipiw_i = \log\frac{1-p_i}{p_i}wi=logpi1−pi

为什么权重这样设计？ 因为权重与错误概率直接相关：

p(E)=∏i(1−pi)∏i(pi1−pi)e $i$ (2)p(E) = \prod_i (1-p_i) \prod_i \left(\frac{p_i}{1-p_i}\right)^{e $i$ } \qquad (2)p(E)=i∏(1−pi)i∏(1−pipi)e $i$ (2)

取对数后：log⁡p(E)=const−∑iwie $i$ \log p(E) = \text{const} - \sum_i w_i e $i$ logp(E)=const−∑iwie $i$ ，权重越小 → 概率越大。

三、MWPM 解码的完整流程

以一个距离-5 表面码为例：

步骤 1：构建匹配图（Matching Graph）

复制代码

    o ── o ── o ── o ── o      (边界节点用空心 ○ 表示)
    |    |    |    |    |       每个 ○ 是一个 X-检查算符
    o ── o ── o ── o ── o       每条 ─ 对应一个量子比特
    |    |    |    |    |       Z 错误发生在边上
    o ── o ── o ── o ── o
    |    |    |    |    |
    o ── o ── o ── o ── o
    |    |    |    |    |
    o ── o ── o ── o ── o

在边界处，单个 ZZZ 错误只与一个检查算符反对易，所以添加边界节点（用空心方块 □ 表示），边界节点之间用权重为 0 的边连接。

步骤 2：测量综合征 → 确定缺陷点

假设以下错误发生了（红色边）：

复制代码

    o ══ o ── o ── o ══ o      ═ = 发生 Z 错误的边
    |    |    |    |    |       
    o ── o ── o ══ o ── o       ★ = 缺陷点（蓝色星）
    |    |    |    |    |       (两个相邻错误共享的算符不会缺陷)
    o ── o ══ o ── o ── o
    |    |    |    |    |
    o ── o ── o ── o ══ o  ◻
    |    |    |    |    |
    o ══ o ── o ── o ── o  ◻
                           ◻───◻ (边界节点，权重=0)

步骤 3：构建综合征图（Syndrome Graph）

缺陷点之间两两连边，权重 = 原图中最短路径距离。

缺陷点：★A, ★B, ★C, ★D（共 4 个）

复制代码

      ★A ──3── ★B
       | \      /
       2   \4  / 5
       |    \ /
      ★D ──6── ★C

步骤 4：运行开花算法找 MWPM

尝试所有可能的完美匹配：

匹配方案	边权重之和
(A-B) + (C-D)	3 + 6 = 9 ← 最小
(A-C) + (B-D)	4 + ? = 更大
(A-D) + (B-C)	2 + 5 = 7 ← 实际最小

算法会选择权重和最小的匹配。

步骤 5：输出校正

对匹配中的每对缺陷，取最短路径上的边作为校正操作。

四、精确匹配 vs 局部匹配

特性	精确匹配（Exact Matching）	局部匹配（Local Matching）
综合征图	完全图（所有缺陷两两相连）	每个缺陷只连接 mmm 个最近邻居
时间复杂度	O(N3log⁡N)O(N^3 \log N)O(N3logN)（瓶颈在开花）	O(N2mlog⁡N)O(N^2 m \log N)O(N2mlogN)
表面码解码	O(L6log⁡L)O(L^6 \log L)O(L6logL)	O(L4mlog⁡L)O(L^4 m \log L)O(L4mlogL)
解码性能	最优（最小权重保证）	几乎相同（近似误差 <10−6<10^{-6}<10−6）
适用场景	小规模、需要精确结果	大规模模拟（推荐 m=20∼30m=20\sim30m=20∼30）

经验规律： 当 m≥16m \geq 16m≥16 时，局部匹配与精确匹配的逻辑错误率没有统计学差异。

五、用 PyMatching 实现的代码示例

python 复制代码

import numpy as np
from pymatching import Matching

# 1. 定义检查矩阵（5-qubit 重复码示例）
H = np.array([
    [1, 1, 0, 0, 0],   # 检查算符 S1: 测量 qubit 0 和 1
    [0, 1, 1, 0, 0],   # S2: 测量 qubit 1 和 2
    [0, 0, 1, 1, 0],   # S3: 测量 qubit 2 和 3
    [0, 0, 0, 1, 1],   # S4: 测量 qubit 3 和 4
])

# 2. 创建 Matching 对象
m = Matching(H)

# 3. 模拟错误：qubit 2 和 3 发生 Z 错误
noise = np.array([0, 0, 1, 1, 0])
syndrome = H @ noise % 2   # 结果: [0, 1, 0, 1]

# 4. 解码（使用局部匹配，默认 m=30）
correction = m.decode(syndrome)
print(f"校正结果: {correction}")   # 输出: [0, 0, 1, 1, 0]

# 5. 验证解码是否成功
recovery = (correction + noise) % 2
is_success = all(H @ recovery % 2 == 0)
print(f"解码成功: {is_success}")    # True

六、直观理解

MWPM 解码的核心思想可以概括为：

"把 syndrome 中的缺陷点两两配对，使得配对的总'代价'最小。每对缺陷之间的路径就是需要纠正的错误位置。"

就像快递配送问题：你有 NNN 个包裹要送（缺陷点），要把它们两两配对送到同一个目的地，使得总行驶距离最短。MWPM 就是找到这个最优配对方案。