ACES 量子真机食用

真机情况

杭州的真机不了解，是阿里捐的。宁波目前有三台制冷机for超导量子芯片。下面提到的内容是关于宁波的真机。

文档定位

这个文档的内容是从一个量子相关的项目总结出来的。文档内容包括，量子计算的一些基础知识、上真机需要了解的背景。第二部分是一些零碎的知识点。

文档有些内容没有详细介绍，只提供一个引出的作用。

以后给量子项目打工的同学（希望不要有了），这篇文档可以提供一些帮助。

量子电路的组成

量子线路的组成

线路组成

$$\text{Classical Input} \rightarrow \text{State Preparation / Data Encoding} \rightarrow \text{Parameterized Ansatz} \rightarrow \text{Measurement}$$

1 Classical Input 经典输入

在进入量子线路前，此时是经典数据。对经典数据根据自己的要求，先进行预处理（比如归一化到某些角度方便后面做映射、构造一些符合物理约束的变量等等）。这一步是纯经典计算。

2 State Preparation / Data Encoding

这两部分不太一样，但是很多时候混在一起，后者可以看作是前者的一部分。

前者是状态制备（有很多叫法），硬件上所有的量子比特默认初始状态都是$|00\cdots0\rangle$，这一步是把初始状态变成算法输入需要的量子态。

Data Encoding ：把经典信息注入量子态。这样讲有点抽象。我是这么理解的，经典数据我们用矩阵保存，矩阵每一个元素是数字，这些数字保存了信息。但是进入量子领域，信息就得用量子世界的格式保存：量子比特靠相位、概率振幅保存信息。所以数据编码其实就是把信息从一种格式（浮点数）映射到另一种格式（相位、概率振幅）。

那么这两个步骤有什么联系呢？比如：

把初态$|00\cdots0\rangle$ 制备到算法需要的状态$|\psi(\mathbf{x})\rangle$：

$$|000\rangle \xrightarrow{H \quad CZ} |\psi_0\rangle \xrightarrow{R_y(x_1), R_y(x_2), R_y(x_3)} |\psi(\mathbf{x})\rangle$$

从初态得到最后的输入态，经过了两个阶段。

第一段的量子门跟输入数据没有关系；第二段加的量子门，门的旋转角度是经典数据决定的，这些门就是Data Encoding 得到的。

整个过程（两个阶段）都属于State Preparation。

数据编码有角度编码、振幅编码等很多方法。

3 Parameterized Ansatz 参数化拟设

这一部分先把他叫做黑盒。制备的量子态，进入这个黑盒，得到最终的量子态。

黑盒由量子门组成的，量子门包含可以训练的参数（量子门旋转角度、就像神经网络的参数一样）。（注意，Data Encoding 中量子门的角度是经典数据决定的，经典数据变，角度才会变。Ansatz 里面的角度，在训练过程中是不断变化的，优化器根据梯度更新。）

Ansatz 怎么设计方法很多：Hardware-efficient Ansatz、UCCSD、Adaptive Ansatz…

（关于 Ansatz 的论文我一篇没看过，从哪些角度考虑，有哪些 trick 我也狗屁不会。那这个项目最后的线路是怎么设计的呢：在要烂尾的时候，老师找来了做量子算法的博士师兄，现场讨论一小时给出方案，最后完全按照师兄的方法做的）

另外，量子参数求梯度，没法用PyTorch 的反向自动微分，因为整个过程不是完全可微，只能用量子的 Parameter-shift。 此外，还会遇到 Barren Plateau 问题。

4 Measurement

测量。

经过 Ansatz 之后得到需要的量子态，执行测量。真机给出的是 bitstring。

• 测量的理解

  对量子态执行测量操作，需要先选定基底。

  测量操作更容易理解的名字应该叫投影：把量子态投影到选定的基底上，得到观测结果。

  另一种理解：测量是只能沿着选定的轴 观测该量子比特（量子态由若干个量子比特组成）的信息。比如，一个量子比特在三维空间中可以指向任意方向。沿着 Z 基观测，只能看到量子比特朝上或者朝下的信息。但是量子比特也可以朝前朝后，朝左朝右，这时候需要选定别的基观测；

• 观测结果是什么？

  确定基底（假设是泡利 Z 矩阵）后，任意一个量子态都可以表示成基底对应的本征态的线性组合；

  测量操作会让这个量子态（此时是叠加态）坍缩到其中一个本征态；

  一个量子比特，有两种本征态：$|0\rangle$ or $|1\rangle$；三个量子比特构成的量子态：有 $2^3=8$ 种本征态；

• 不同基底的测量结果

  选定 Z 基，坍缩到$|0\rangle$ or $|1\rangle$；

  选定 X 基，坍缩到$|+\rangle$ or $|-\rangle$；

  选定 Y 基，坍缩到$|i\rangle$ or $|-i\rangle$；

  其中：

  $$\begin{aligned} |+\rangle &= \frac{1}{\sqrt{2}} (|0\rangle + |1\rangle) \\ |-\rangle &= \frac{1}{\sqrt{2}} (|0\rangle - |1\rangle) \\ |i\rangle &= \frac{1}{\sqrt{2}} (|0\rangle + i|1\rangle) \\ |-i\rangle &= \frac{1}{\sqrt{2}} (|0\rangle - i|1\rangle) \end{aligned}$$

• 真实量子计算机只能执行 Z 基测量。如果想做 X 基测量，在测量前加一个哈达玛门 Hadamard 。

• 真实的测量结果：以一个 3 比特电路为例

  真机返回的测量结果：bitstring 的概率。

   P(000)= 0.235666666667, 
   P(001)= 0.071, 
   P(010)= 0.198333333333, 
   P(011)= 0.0516666666667,
   P(100)= 0.158666666667, 
   P(101)= 0.133333333333, 
   P(110)= 0.0786666666667, 
   P(111)= 0.0726666666667,

  如果是在 Z 基测量：P(010) 就代表测量得到本征态$|010\rangle$ 的概率；

  在 X 基测量：P(010) 就代表测量得到本征态$|+-+\rangle$ 的概率；

  真实硬件执行一次电路、一次测量只能得到这个量子态8 种情况中的一种，反复采样得到每个本征态出现的次数，然后除以总采样次数得到概率。

• 得到本征态之后，根据算法目的，进行后面的处理。

需要了解的真机信息

一些背景：

量子比特是需要准备的。 对于超导量子计算机，那些刻在硅片上的电路（量子比特），不是开机就能用，需要经过硬件同学的校准。校准好了也不行，那些参数受环境影响还会变化。所以需要硬件同学反复地监测、重新校准。有一次真机同学调好了比特，打算吃完饭回来给我们用，结果一顿饭的功夫，比特漂移了；还有更夸张的，硬件同学花几天准备工作做了一大堆，结果宁波鄞州区停几秒钟电，所有工作从零开始。

真机资源比较宝贵。 大概 20 比特的电路，训练出来得 2 个月时间。这个项目的单分子方案，上真机的电路只有 3 比特，数据集 800 个分子构型，训练一个 epoch 得 4 小时左右。我记得调出五六十个能用的比特，在我们这里可能得两三个月的时间。（时间都只是个大概，不是一定准确，但确实耗时）

噪声指标

真机是有噪声的：

• 一般是先在无噪条件下跑。这一步没有噪声影响，主要看算法设计本身是否有问题；

• 然后用 Qiskit 的模拟器（比如 AerSimulator）建立噪声模型，做含噪模拟。这一步用来看模型对噪声的鲁棒性，指导模型可能的改进方向，让电路更抗噪；

• 最后在真机上跑。

（这个项目最终用了预训练+微调）

需要知道硬件的以下指标：

每个量子比特的 T1 、T2

T1 T2 ： 简单理解是量子比特存储信息的时间是有限的，超过这个时间，量子比特的信息就不准确了。所以电路深度不能设计太深，不然电路还没跑完，量子比特信息都丢失了，最终测量结果和理想线路的偏差会很大。

（我们三个比特 T1 分别是 45us/42us/40us ；T2 是 1.5us/1.9us/0.7us ；26 年一篇文章提到，世界上最好的超导量子比特记录 T2=1.5ms；领先了 3 个数量级.）

每个量子比特的读取保真度

把 1 读成 1 、0 读成 0 的概率。

我们的三个比特读取保真度：0.85 / 0.82 / 0.81

量子门的保真度

这个保真度是操作层面：对一个量子比特施加量子门，得到我们希望的效果；但是有概率不是我们期望的效果。比如 X 门翻转一个量子比特的状态；从 0 到 1；有 98% 的可能，对量子比特施加 X 门之后它变成了 1，但是有 2% 它还是0 态；比如双比特纠缠门，98% 概率两个量子比特完美纠缠，但是 2% 概率纠缠不够深；

单比特门：0.9984 / 0.9982 / 0.9983；

双比特门：0.98（Q1 和 Q2） 0.98（Q2 和 Q3）

世界最好记录：单 99.99% 双 99.9%

设计量子线路时，尽可能用真机保真度高的门。

量子门执行时长

门时长：单比特40ns，CZ60ns，RZ 0ns（VZ门）

（如果 RZ 支持虚拟会更好）

真机友好的门

真机有很多流派，不同硬件的原生门不一样。宁波真机是谷歌路线，此外还有 IBM 的传统路线等等。

• 宁波真机硬件友好门：RX，RZ，CZ，X，SX。

  RZ 门尤其容易实现且RZ 可以虚拟；

  双比特门以 CZ 为主，不要加参数，把旋转角放在单比特门上；

  单比特门 RX RZ 支持任何角度，角度最好不要在 0 附近；在±二分之π或者π附近最好；角度没有其他限制，可以小数。

  角度需要编译，真机支持两种实现方式，通过调脉冲实现 or 被分解为若干门（通过若干门组合，凑出任意角度）；

如果打算上真机，设计量子线路最好用真机友好的门。

其他信息

量子比特的拓扑结构

设计逻辑线路时，可以让任意两个比特产生纠缠，比如 Q1 和 Q999；但是生成在真机上执行的量子电路，需要让它满足拓扑约束：只有硬件上相邻的 qubit 才允许直接 CZ。

直白讲，有两种做法：

1 不考虑你要用的真实量子比特的位置，按照自己的算法在任意量子比特之间加纠缠门，在编译时才加入拓扑约束，Qiskit 会通过引入 SWAP 门，使你的线路满足硬件要求。但是天下没有免费的午餐，SWAP是双比特门，带来的噪声副作用比单比特门大很多，当电路大量存在 SWAP ，电路效果不会好。

2 设计电路时就考虑拓扑约束，但加门的位置就受到限制。

如图，Q69 和 Q76 挨着，可以直接加 CZ；但 Q69 没法和 Q78 直接 CZ。这个时候就要引入 SWAP 门，离得越远，SWAP 门越多。

电路深度

Transpile 之后的电路深度不能太深。

算法设计层面，电路深度也许看着不深，但这只是 Logical circuit depth。Transpile 之后的 depth 才是真机要跑的深度。前面提到，逻辑门不一定等于真机原生门，电路先Transpile 成原生门之后才能在真机上跑，这个过程可能会引入 SWAP、routing 等等导致线路深度变大。

量子电路操作必须快：深度 乘以 门时间 必须 小于 T2 ；否则量子信息全部丢失，全是噪音。

深度太大：电路执行时间变长，T1 T2 时间就那么点，最后结果偏差肯定大；门错误会累计，一个 CZ 的保真度 0.999，看起来还不错；但100个 CZ 只剩下 0.905；

采样次数 shots

一个 shot 是指初始化一次量子电路、执行一次门序列，得到一个 bitstring 的过程。shot 越多，统计误差越小。

耦合

逻辑上经常说量子门，但物理上是不存在有这么一个能直接加上去的门。我们希望量子比特完成某种效果，是通过脉冲、调频实现的。不断调这些东西，让量子态按照我们希望的方式演化。

• 耦合：是指两个量子比特之间的相互作用，实现纠缠门的手段。

  耦合强度：两个量子比特之间的耦合强度，不仅取决于物理连接，还取决于他们之间的频率差。

  频率越相近，越容易发生能量交换。

耦合有好有坏：

• 想要的耦合：

  直接耦合：量子比特直接通过电容、电感等产生相互作用； 间接耦合：用一个可调耦合器 （一个电路）专门控制两个比特之间的耦合强度；

• 不想要的耦合：

  硬件上，两个量子比特靠的近，此时我们对其中一个施加量子门，另一个比特也会被轻微带偏，就产生了误差。 这也是超导量子芯片的问题之一，叫做串扰（Crosstalk）。 解决方法：可以调频，让两个比特的频率不同；用可调耦合器把不想要的耦合抵消掉；

弱耦合可以近似为关断（认为他们没有相互作用）；

总结

上真机时，问清楚各个噪声指标的值、门的保真度；问清楚自己能用的量子比特的拓扑关系；问清楚真机能接受的电路深度；

得到量子线路图

先介绍一下三种对象

QuantumCircuit、QPY、QASM

• QuantumCircuit：存在于内存中

  Qiskit 的 QuantumCircuit 类，是电路对象。Qiskit 会把逻辑上设计的量子比特、门的顺序、连接规则等组装成 QuantumCircuit对象。可以根据这个对象画出电路图：

  

  但这个只是算法层面的，真机同学关心的是原生门组成的电路。

• QPY

  QPY是二进制文件，像是把 QuantumCircuit 原样打包保存；在 Qiskit 中完整存取这些电路，用 QPY；

  对 QuantumCircuit 对象 qpy.dump 之后可以得到 QPY 文件；

• QASM

  qasm 是人可读的 量子汇编语言。文本文件。描述了门、比特和测量等操作。方便在不同平台传递（我们和真机传递的电路就是以这种格式）；

  对 QuantumCircuit 对象qasm3.dump 之后得到 QASM 文件；

下面展示怎么得到编译之后的电路图

• 先导入必要的包

  from pathlib import Path
  from qiskit import qpy
  from qiskit import transpile
  ......

• 加载 由QuantumCircuit 生成的 QPY 文件

  qpy_path = "logical_parameterized_circuits.qpy"
  with qpy_path.open("rb") as handle:
      circuits = qpy.load(handle) # Circuits是一个电路列表
  #这里有三个电路分别是：不带测量门、带测量门Z、带测量门 X
  state_preparation_circuit = circuits[0]
  z_measurement_circuit = circuits[1]
  x_measurement_circuit = circuits[2]

• 画出电路图

  '''
  circuits[0].draw("mpl")
  得到上面的circuits[0]可以直接draw 出来，更好的是Transpile 成原生门再画;
  '''
  qc = transpile(
      circuits[0],
      basis_gates=["rx", "rz", "cz"],
      coupling_map=[[0, 1], [1, 0], [1, 2], [2, 1]],
      optimization_level=3,
      seed_transpiler=0,
  )
  qc.draw("mpl")

  circuits[0]是待编译原始电路；

  basis_gates就是真机的原生门，问负责硬件的同学；

  coupling_map拓扑约束，表示Q0和Q1允许直接两比特门；Q1和 Q2 允许直接两比特门；如果 Q0 和 Q2 有纠缠，就要加入 SWAP 门；

  optimization_level编译电路时的优化级别：4 档：0,1,2,3；级别越高，编译时间越久，但门数、电路深度和拓扑路由开销也会变少； 一般为了方便真机执行，opt 要开到 3；

• 得到用于评估电路代价的图：

  

和真机交互

和纯本地模拟差别不大，就是多了一个接口，把准备好的电路通过接口发给真机，真机运行完再返回测量结果。（真机跑的过程咱也看不懂，对于我们完全是一个黑盒，唯一的用处也许是吹牛？我写的代码在量子计算机上跑了!哇真爽😁！真的爽吗？）

下面讲一下我们这个项目和真机是怎么交互的。

真机只做两件事

• 接受 QASM3 文件，执行电路；
• 返回包含所有 bitstring 概率的 JSON 文件；

HTTP 接口

真机连接着测控电脑，我们不是直接和真机交互，是和测控电脑交互。测控电脑负责给真机提交任务。

测控电脑作为服务端，我们的电脑是客户端，两边实现了 HTTP 接口。

• 整个程序在我们电脑上跑，需要跑量子线路时，程序把编译后的电路导出为 QASM3 文本文件，通过 HTTP 接口上传（一块上传的还有 shots、measure_base）；

（服务端拿到我们上传的文件，可能两边会做一下校验相关工作，这不是重点）

• 真机把跑完的电路结果，返回给我们一个 JSON 文件。

上传的 QASM 文件

大致长这样：

OPENQASM 3.0;
include "stdgates.inc";
qubit[3] q;
ry(0.656266404163457) q[0];
ry(1.280696559581763) q[1];
ry(0.8050340330913022) q[2];
cz q[0], q[1];

真实提交的也不是这样一个文件，是把 QASM3 文本作为 HTTP 字段发送。

返回的 JSON

部分 JSON 内容；

{
  "circuits": [
    {
      "circuit_id": "quantum-predict-geometry-33c2dc0c2a3c4213814342609af360c5.000080.X",
      "filename": "circuit-000161.qasm",
      "measurement_basis": "X",
      "sha256": "8a795b56fec7d3cedc7955abf347782194344ccc067d5e674c1463e91938dc4a"
    }
  ],
  "response": {
    "job_id": "2e2792c3-ab71-4e4a-8662-dd7bdf9d89ad",
    "status": "succeeded",
    "files": [
      {
        "name": "circuit-000161.qasm",
        "index": 1,
        "bytes": 712,
        "sha256": "8a795b56fec7d3cedc7955abf347782194344ccc067d5e674c1463e91938dc4a"
      }
    ],
    "result": {
      "columns": [
        "circuit",
        "expr_prob_P000", "expr_prob_P001", "expr_prob_P010", "expr_prob_P011",
        "expr_prob_P100", "expr_prob_P101", "expr_prob_P110", "expr_prob_P111",
        "ideal_prob_P000", "ideal_prob_P001", "ideal_prob_P010", "ideal_prob_P011",
        "ideal_prob_P100", "ideal_prob_P101", "ideal_prob_P110", "ideal_prob_P111"
      ],
      "data": [
        [
          1.0,
          0.235666666667, 0.071, 0.198333333333, 0.0516666666667,
          0.158666666667, 0.133333333333, 0.0786666666667, 0.0726666666667,
          0.28301716879, 0.0752687753278, 0.220984835892, 0.00991826523224,
          0.166221364639, 0.162707364305, 0.0443572016729, 0.0375250241409
        ]
      ]
    }
  }
}

主要看”result” 里面的 “expr_prob_PXXX” 字段，3 个 qubit 对应 8 种 bitstring ，每一个 bitstring 的概率。可以算一下 P000 到 P111 对应的 8 个概率加起来是等于 1 的。

“ideal_prob_PXXX” 是理想状态下的概率。可以做一些校验、评估。可以看到同一个 bitstring ，真机测出来的概率和理想概率是有出入的。

拿到概率，后续程序就能计算泡利期望等等。到这一步真机的任务就结束了。

其他

量子计算基础

IBM 的量子计算基础教程：https://quantum.cloud.ibm.com/learning/en/courses/use-a-qc-today

写量子程序的框架

首先需要了解 Qiskit、PennyLane 这种框架，类比于深度学习中的 PyTorch/TensorFlow。这种框架封装了底层操作，让我们搭线路、求梯度、连接量子后端等等更方便。

量子计算机的优势在哪里？

一个包含 10 个 qubit 的量子态，在数学上，用多少维度的向量能表示？（等价于，N 个量子比特，有多少个基态？）想一下，是 2^10 维度向量，且这个向量的每一个元素都是复数，对应两个系数。

$$|\psi\rangle = \begin{pmatrix} c_0 \\ c_1 \\ \vdots \\ c_{1023} \end{pmatrix}$$

所以经典计算机要模拟10 个量子比特，需要存 2048 个实数，但是量子计算机只需要 10 个物理量子比特硬件。量子比特数每多一个，经典计算机要保存的参数就翻 4 倍。

50 个量子比特系统，全世界的所有硬盘加起来都装不下了。

指标

T1：量子比特从态 1 变成态 0 的时间；经过时间 t，仍然保持在态 1 的概率为：

$$P_1(t) = e^{-t/T_1}$$

T2：混合态的相位信息能保持多久。

相位，会间接影响概率。

所有处在混合态的量子比特，都携带相位信息。但是这个相位信息不会影响基态的概率（一个处在叠加态的量子比特相位信息发生改变是看不出来的）：

$$|\psi\rangle = \alpha|0\rangle + \beta e^{i\phi}|1\rangle$$

比如上面的叠加态，概率取值和相位没有关系：$P_0 = |\alpha|^2$, $P_1 = |\beta|^2$

但是将它施加一个量子门（幺正变换），计算基态的概率和相位有关了：

$$H|\psi\rangle = \frac{1+e^{i\phi}}{2}|0\rangle + \frac{1-e^{i\phi}}{2}|1\rangle$$

就是前面说的 Data Encoding

制备算法输入的量子初态。初始数据是向量，变成量子态才能在电路上运行。

振幅编码有硬件制备难度，不是任意向量都容易造出来。

测量

shots 采样

一个 shot 是指初始化一次量子电路、执行一次门序列，得到一个 bitstring 的过程。shot 越多，统计误差越小。

一个测量的例子：

假设我要测量的泡利串是下面这些，采样数 shots=3000

ZII, IZI, IIZ, ZZI, ZIZ, IZZ, ZZZ,
XII, IXI, IIX, XXI, XIX

一个水分子构型，对应一个输入数据，跑一次程序。

这些泡利串，有 Z 基组，X 基组。第一行加 Z 基就能全部测出，第二行加 X 基全部测出。

测上面第一行泡利串：原电路末尾直接测量（这里不用加测量的 Z 门是因为硬件的读出机制，天生就是投影到 Z 基），重复 3000 次，得到 8 种bitstring 出现的频率；

测第二行泡利串：原电路后面加 H 门，再跑电路 3000 次，得到 8 种 bitstring 出现频率，这是 X 基测量结果；

所以，1 个构型，有 2 个测量电路，每条测量电路运行 3000 次，一共 6000 次。

在本地电脑写量子代码

什么是量子后端？ backend。 就是量子线路在什么设备上运行？类比经典网络，你的代码是在 CPU/GPU 运行？这就是后端。

常见的量子后端：

• 使用 Qiskit 框架，有一个本地 Aer 模拟后端；本地电脑的精确模拟器 （没有噪声、测量误差，但是可以自己加）；

• 带 IBM 特性的模拟后端，获得一个真实 IBM的硬件信息，再建立模拟器；

• 真实的量子芯片；

角度编码的旋转角度是怎么交付的？每一个构型对应的角度都不一样

我们交付的电路，叫做 参数化电路模板。 它确定了门的数量、门的顺序、作用在哪一个比特。但是有一些参数（旋转角度）没有确定，只是用了参数占位。 上面的状态制备电路图，有的门角度是确定的，在电路里就被写死了。

剩下没有确定的角度，有一类是 ansatz 的可训练参数；

这部分我比较模糊，有些细节还不清楚，可以通过设计让提交电路变少，效率变高。记得有一个电路，很多组参数？

真机上参数更新过程

量子线路有 11 个可更新参数，当前 batchsize 设置为 2，一次加载 2 个构型，每个构型。

**原则：**更新 1 个参数，需要运行电路 3 次；保持当前所有参数不变，运行电路一次；该参数正移一点，运行电路；然后负移一点，运行电路，然后带入公式，计算这个参数的梯度；

误区：当前构型下，先运行 3 次电路计算梯度，更新该参数；再运行 3 次计算下一个参数的梯度；

不是的，当前构型，一次运行 23 （1+11x2）次电路，然后所有参数的梯度一次计算， 然后更新。

• 真机跑完一次拿到结果，更新 ansatz 参数之后；需要提交新的 ansatz 参数跑电路；这需要一个能访问 QPU 的经典电脑。形成一个循环。

给真机上传电路

本地计算好编码角度（特征编码这步），程序把角度和可训练的参数绑定到电路中，然后把电路编译成设备支持的门和连接方式。导出 QASM3 文件。再提交真机。

三个步骤：本地计算角度、绑定参数和角度到电路、编译提交。

量子经典混合模型怎么在真机上联合训练

因为有真机部分，也有经典部分。最终是这样的效果： 这边打包一份程序，最终在一台能访问 QPU 的电脑上 ，有这样一个训练脚本自动完成：对于每一个数据，脚本根据当前参数绑定并生成对应的量子线路，自动提交到真机，等待真机结果，然后本地电脑计算损失、量子参数的梯度（这里parameter-shift 需要额外提交参数扰动之后的 Circuit，再运行得到结果），更新量子参数。 然后脚本开始处理下一批数据，重复“绑定参数 → 提交 circuits → 获取测量结果 → 计算 loss/gradient → 更新参数”这个流程。

经典计算机和量子计算机

经典计算机怎么存储信息：晶体管和电容都是刻在硅片上的电路。用高低电平表示0,1。比如 DRAM 是电容充满电这个状态代表 1 ，反之代表 0；

超导量子计算机：量子比特也是在硅（当然也有其他）上的电路。量子计算机存储信息靠量子比特。但它存储的不是确定的0 态或者 1 态。（是叠加态），但每次读出量子比特，只会读出 0 或者 1。