1. 课程导入与工程定位

量子回归与参数估计工程，是把量子器件、量子控制或量子传感系统中“可观测的响应量”与“待求的物理参数”之间建立可计算、可校准、可验证的映射关系，并用统计推断方法从含噪数据中反推出参数值的一整套工程方法。它既不是纯粹的量子力学理论推导，也不是单纯的机器学习调参，而是介于物理建模、实验测量、信号处理与数值优化之间的交叉工程学科。理解它的定义、边界与典型流程，是后续所有章节的起点。

一、定义：从“量子响应”到“参数反演”

在经典回归中，我们通常有输入变量 x 和输出 y，假设 y = f(x; θ) + ε，通过最小化残差估计 θ。量子回归的特殊性在于：f 往往由量子力学规律决定，例如拉比振荡、 Ramsey 干涉条纹、量子比特的能级跃迁概率，或自旋传感器的磁响应曲线。待估参数 θ 可能是控制脉冲的幅度、频率失谐、退相干时间 T₂、耦合强度 g，也可能是环境磁场 B 或温度 T。

因此，量子回归可以形式化地写成：给定一组实验控制参数 c_i 和对应的测量结果 y_i，寻找参数 θ，使得量子模型预测值 M(c_i; θ) 与观测数据在某种损失函数下最接近。参数估计工程则进一步关注：如何设计实验点、如何抑制噪声、如何评估估计量的方差与偏差、如何判断结果是否可信。

二、技术边界：它做什么，不做什么

量子回归与参数估计工程的边界可以从三个维度界定。第一，它不负责量子硬件的物理实现，而是假设已有可操控的量子系统与可读取的测量信号；第二，它不替代量子过程的完整层析，层析试图重构整个量子态或过程矩阵，而参数估计只关心少数几个有物理意义的参数；第三，它不保证全局最优，尤其在非凸损失函数下，工程上更关注可重复、可收敛、可解释的局部最优解。

与之相邻的技术包括：量子控制优化（如 GRAPE、CRAB）负责生成控制脉冲；量子误差缓解负责修正测量偏差；机器学习回归负责提供拟合能力。量子回归工程位于它们之间，承担“模型—数据—参数”的闭环校准任务。

三、典型应用场景

典型场景包括：超导量子比特的 T₁、T₂ 时间提取，NV 色心磁强计的磁场反演，离子阱中 Rabi 频率与失谐的联合估计，量子点中交换耦合的标定，以及量子传感中的相位估计。这些场景的共同点是：测量数据含噪、模型非线性、参数维度不高但物理意义明确。

四、完整项目流程

一个完整的量子回归与参数估计项目通常包含六个阶段：需求定义、模型构建、实验设计、数据采集、参数反演、验证与交付。下面用一张结构图展示各阶段之间的输入输出关系与关键判断点。

图中六个阶段并非严格串行。实际工程中，验证阶段发现残差存在系统性偏差时，往往需要回到模型构建或实验设计阶段，形成迭代闭环。虚线反馈路径表示这种“精度不达标则回退”的工程判断。

五、一个可执行的教学示例

假设我们要估计一个超导量子比特的拉比频率 Ω 和频率失谐 Δ。实验上施加时长 t 的驱动脉冲，测量激发态概率 P_e(t)。理想模型为：

P_e(t) = (Ω² / (Ω² + Δ²)) · sin²( √(Ω² + Δ²) · t / 2 )

我们选取 t = 0, 4, 8, …, 200 ns 共 51 个点，每个点重复 2000 次测量，得到含噪的 P_e 数据。用最小二乘拟合 Ω 和 Δ，初始猜测 Ω₀ = 2π × 10 MHz，Δ₀ = 0。若拟合残差呈现随机分布且 Ω 的置信区间小于 1%，则认为估计可信；若残差在振荡峰附近出现系统性偏差，则说明模型未包含读出误差或脉冲上升沿效应，需要回到模型构建阶段。

六、工程定位总结