接收器明知发来的信号只有两种，为什么还要让仪器给出第三种结果？在量子世界里，仪器的读数并不总能直接指认信号，读数之后还要判断它来自哪一种制备。奇妙之处在于，对量子比特而言：只求了解得最多，或只求猜错得最少，简单的两结果测量各自都能做到；但格物的研究员证明，对某些量子信号，同时照顾这两个目标时，三个结果会严格胜过两个。多出的那个结果，保存了两种评分以不同方式看重的判断依据。
设想发射端每次准备一个量子比特，按事先约定的概率，也就是先验概率，选择标为“0”或“1”的一种状态。接收端知道这两种状态是什么，却不知道这一次选了哪种。它需要从一次测量留下的记录中，尽可能好地辨认那个标签。
如果两种状态彼此正交，也就是量子理论允许它们被完全区分，问题就容易了。例如，理想情况下，水平与竖直偏振的单个光子可以送往两个不同出口。但任意两种制备并不保证如此。两种偏振方向接近的光子，就可能在同一出口出现；如果制备还包含随机混合，区分会更复杂。
这种困难使接收器的设计有了分量。测量决定哪些差别会变成经典记录，后面的处理只能利用已经留下的记录。而“好记录”可以有不同含义：接收者可能只想立刻作出一次尽量可靠的二选一，也可能需要保留对标签有多确定的完整信息，交给下一步处理。论文研究的，正是这两种要求如何改变最优测量。
猜对多少，与知道多少
假设仪器亮起某盏灯后，你判断信号有八成可能来自“0”。这个“看到结果后”的概率，叫作后验概率。它描述我们对制备标签的判断，与测量后量子系统处于什么状态是两回事。
如果必须马上猜一个标签，你会选“0”，这次判断有两成概率出错。对所有可能读数作同样的最佳选择，再按读数的出现频率求平均，就得到这套测量的最小平均猜错率。
信息量的计算关心另一件事：读数平均消除了多少不确定性。信息论用“熵”衡量不确定性。对于二选一，双方各占一半时熵最高，完全确定时熵为零。从读数前的熵中减去读数后剩余熵的平均值，便得到标签与读数之间的互信息。
它们有相同的直觉起点：越确定越好。但它们给不同程度的确定性打分的方式不同。
一个纯粹的概率例子就能看出差别。假定两个标签原本各占一半。读数方案甲总能把判断变成“四分之三对四分之一”，至于偏向哪个标签，各有一半机会。因此，按较可能的标签猜，平均会错四分之一。
方案乙则把一半机会留在“五五开”，另外一半机会带来“百分之九十九对百分之一”的强判断。平均猜错率为百分之二十五点五，比甲略高；互信息却约为甲的二点四倍。乙经常没有提供帮助，但另一些时候把事情说得很清楚。两种评分对这种分配作出了不同评价。
这个例子没有证明量子测量的任何优势。它只说明，单凭“猜错更少”，不能断定“知道更多”。回到量子系统，还要回答更严格的问题：同一对给定的信号，究竟允许哪些后验概率分布？
两个端点都简单，中间却可能不同
对一个量子比特，普通的正交测量选定一对互相正交的基态，给出两个可能结果。可以把偏振分光的两个出口当作直观例子：旋转测量的基底，就改变了哪些输入差别更容易在出口中显现。
量子理论还允许广义测量。通过让信号与辅助系统相互作用，再读取扩大的系统，可以获得超过两个的可能结果。数学上，每个结果由一个矩阵描述；这些矩阵必须共同保证，任意输入下，各结果的出现概率非负且总和为一。增加结果数，也增加了设计这些结果概率的自由。
然而，自由更多未必总有用。对于两种量子信号，最大化互信息总有正交测量能够做到。量子比特情形已有 Andreas Keil 的证明。Árpád Varga、Peter Adam 与 János A. Bergou 的研究也分析过信息最优测量，展示了它与最小错误测量可能不同。Keil的论文、Varga等人的论文分别讨论了这些问题。
格物的研究员进一步从后验概率构造出一套框架，既找到信息最优测量，又刻画哪些有限结果测量能达到同一最优值。关键是，把“某个读数使某个标签的概率相对原先增加了多少”写成矩阵形式，再优化由这些矩阵给出的信息上界。二元标签只有一个独立的概率：知道一种，另一种便随之确定。在论文的构造中，优化后的两个矩阵也都由同一个矩阵产生，因而可以沿同一组正交方向分解。沿这组方向测量，就能真正达到信息量的上界。
这段推理的作用，是说明复杂的广义测量为何在信息这个目标上可以收缩为正交测量。即使原来的两个信号态不能沿同一组正交方向分解，优化后的矩阵仍可共享测量方向。论文还给出计算过程中信息最优值的上下界，使人能判断当前接收方案离目标还差多少。
另一个端点也有简单答案：最小化猜错率，可以使用 Helstrom 正交测量。但两个端点各自简单，并不意味着它们选中了同一个基底。
于是，可以让接收器在信息量和错误之间作取舍。论文采用一个加权评分：
这里，是标签与读数之间的互信息，是读数后的最小平均猜错率，是非负的错误惩罚权重。固定信息的单位后，权重为零就只求信息最多；权重越来越大，接收器就越来越重视减少错误。公式比较的是从读数中获得的信息与判断表现，不是在衡量测量给量子态造成的扰动。
格物的研究员证明，对于两个不同、满秩的量子比特态，每个权重下都存在不超过三个结果的最优广义测量。比较时，两种标签的先验概率固定且都不为零。对于量子比特，这里“满秩”就是要求信号为混合态：它包含不同纯态的概率混合，排除了单一纯态的边界情形。更有力的是：有些这样的信号组合，在一整段权重内，三个结果的最优评分严格高于任何正交测量。
第三个结果并非“无法判断，放弃这次”。三个结果全部保留，全部计入信息和错误的统计。最终仍要在两个标签间作判断；多出来的是一种不同的证据强度，而不是第三种信号。
也不能靠掷硬币，在不同的正交基之间随机切换来追上它。如果选择基底与信号无关，而且保留用了哪个基底的记录，总评分就是各套正交测量评分的加权平均，不会超过其中最好的评分。丢掉基底记录也不能改善表现。因此，优势来自更一般的测量本身。
三个结果怎样被证明是必要的
困难原本在于，广义测量能有许多结果，每个结果又对应一个矩阵。若直接在这些矩阵中搜索，很难知道什么时候已经找遍全部可能。
后验概率提供了一种改写方式。量子比特的状态可以画成球中的点：表面表示纯态，内部表示混合态；把若干纯态按概率混合，就是取这些表面点的加权平均。按照两个标签的先验，把两种信号态混合，会得到一个固定的平均态。
格物的研究员对描述测量的矩阵作变换，使每个细分后的测量结果对应球面上的一个辅助纯态点，点的权重就是结果的出现概率。所有点的加权平均，必须恰好等于那个固定平均态。反过来，这样的分解也能还原为合法的测量。这些辅助点是重写测量问题的工具，并不意味着仪器真的把输入制备成了那些状态。
在这幅图景中，每个点的位置决定相应的后验概率，也就决定它对加权评分的贡献。利用评分函数的形状，格物的研究员进一步证明，寻找最优方案时，可把点放在同一平面的一条半圆弧上。问题由此变成：在半圆上选择哪些点、各占多少概率，既凑出固定均值，又使平均评分最高？
这里只有三个需要固定的量：概率之和为一，以及平面内两个方向的平均坐标。超过三个有正权重的点，就会给出多余的调整自由，可以重新分配权重而保持这三个量不变。沿着评分不下降的方向调整，能逐步消去多余的点。这是三个结果已经足够的几何原因。
但“足够”还没有说明“必要”。为此，格物的研究员构造了一道限制所有候选方案的评分上界，并让它恰好只在三个特定点取等号。要达到上界，就必须从这三个点中取点。如果固定均值位于它们构成的三角形内部，任何两个顶点都凑不出它，三个点的权重必须全都大于零。这样便排除了所有由两个辅助点组成的最优方案。对于量子比特，任何只有两个结果的广义测量，都可以通过先作某个正交测量、再给读数添加经典随机性来实现；添加这种随机性既不能增加信息，也不能降低最佳猜错率。因此，正交测量达不到的最优评分，任何两结果方案也达不到。
这一严格差距还能在权重的小幅改变下保留，所以它并非只有调到某个孤立参数时才出现。论文给出了数学存在性证明，也用数值扫描展示了实例。不过，它没有证明任意两种混合态都会有这种优势。若同一个正交测量已经同时优化两个端点，就没有必须作出的取舍。一般信号组合中，三个结果占优的权重范围会分成几段，仍是开放问题。
测量留下的记录，要交给谁
同一对信号没有一种脱离用途的“最好读法”。论文还把这个观点带入一个独立的纠错模型：三个量子比特组成重复码，只考虑随机比特翻转；辅助量子比特提供检查结果，解码器结合多轮记录，决定哪些位置需要纠正，最后没有额外的理想检查。在模型规定的恢复方式下，恢复风险等于未能正确辨认完整错误模式的概率。
在一个进行三轮检查、每轮每位翻转概率为2%的算例里，只改变最后一处测量的基底，局部互信息从约0.04385比特降到0.04196比特，局部猜错率保持约10.8621%，最终恢复风险却从约15.9486%降到15.8539%，相对下降约0.594%。原因是解码器还会结合其他检查记录；两个局部汇总分数没有描述这些记录共同参与纠错时的全部作用。
这项计算没有在硬件上实现三个结果的优势。它使用的改动本身就是正交测量，结果来自特定随机噪声模型下的有限枚举。它说明，连“信息量和猜错率同时评估”也未必足以选出最适合最终任务的读出。
若要把三结果定理带到实际接收器，还要比较辅助系统、控制误差和读出代价；若要推广数学结论，则须弄清更高维系统需要多少结果，以及纯态等边界情形会怎样改变权衡。这些问题要求新的实现或证明。
开头的疑问也因此有了更准确的答案。只有两个待辨标签，并不要求仪器只留下两种证据。先问这些证据最终要怎样使用，才知道第三个结果是否值得保留。
研究来源：《Posterior Algebra of Binary Quantum Measurements: From Shor’s Orthogonal-Measurement Conjecture to Information–Error Pareto Frontiers》，本文的核心定理与纠错算例均据此。三结果结论见正文与附录G—L；纠错算例见附录M—O。插图为本文原创程序绘图，图1为教学例子，封面与图2为概念示意。