3. 参数估计工程基础
在量子回归与参数估计工程中，我们最终关心的往往不是“某个测量值是多少”，而是“某个物理参数是多少”。例如：一个相位调制器的相位偏移 φ、一个量子比特的退相干时间 T₂、一个磁强计的磁场强度 B。这些量无法被直接读出，只能通过含噪声的测量数据反推。参数估计工程就是研究“如何从数据中尽可能准确地反推参数”的学科，而它的经典理论为量子推广提供了全部概念骨架。
一、经典参数估计的基本框架
设真实参数为 θ（可以是标量，也可以是向量），我们进行 N 次独立测量，得到数据 x₁, x₂, …, x_N。这些数据服从某个由 θ 决定的概率分布 p(x|θ)。估计量 θ̂(x₁,…,x_N) 是数据的函数，它本身也是随机变量。评价一个估计量，主要看三个性质：
- 无偏性：E[θ̂] = θ，即平均而言估计值不偏离真值。
- 有效性：在所有无偏估计量中方差最小。
- 一致性：当 N → ∞ 时，θ̂ 依概率收敛到 θ。
工程中最常用的两类估计量是最大似然估计（MLE）和贝叶斯估计。MLE 取使似然函数 L(θ) = ∏ᵢ p(xᵢ|θ) 最大的 θ 作为估计值。在正则条件下，MLE 是渐近无偏、渐近有效且渐近高斯的，这使它在量子参数估计中同样被广泛采用。
二、偏差与方差的权衡
估计误差可以分解为均方误差 MSE = Var(θ̂) + Bias(θ̂)²。无偏估计把偏差压到零，但方差未必最小；有时引入少量偏差反而能显著降低方差，使总 MSE 更小。这就是偏差-方差权衡。
一个典型例子是估计高斯分布的均值 μ，若已知方差 σ²，样本均值 x̄ 是无偏的，方差为 σ²/N。若我们改用收缩估计 θ̂ = α·x̄（0 < α < 1），则偏差为 (α−1)μ，方差为 α²σ²/N。当 μ 接近零时，取 α < 1 可以降低 MSE。在量子计量中，这种思想对应“压缩态”或“非线性估计”策略：牺牲无偏性换取更小的不确定度。
三、Fisher信息：参数可分辨性的度量
Fisher 信息 I(θ) 衡量数据分布对参数 θ 的敏感程度，定义为：
I(θ) = E[ (∂ ln p(x|θ) / ∂θ)² ]对于 N 次独立测量，总 Fisher 信息满足可加性：I_N(θ) = N·I₁(θ)。Fisher 信息越大，说明分布随 θ 变化越剧烈，参数越容易被分辨。它直接决定估计方差的下界。
四、Cramér-Rao 下界
对任何无偏估计量 θ̂，其方差满足 Cramér-Rao 下界（CRLB）：
Var(θ̂) ≥ 1 / I_N(θ) = 1 / (N·I₁(θ))CRLB 是经典参数估计的“物理极限”：无论算法多聪明，无偏估计的方差都不可能低于这个值。达到 CRLB 的估计量称为有效估计量，MLE 在渐近意义下可以达到它。
以相位估计为例：若用相干态测量相位，每次测量的 Fisher 信息为 I₁ = 4·n̄（n̄ 为平均光子数），则 N 次测量后标准差下界为 Δφ ≥ 1/(2√(N·n̄))，即散粒噪声极限（SNL）。这是经典光学的标准量子极限。
五、从经典到量子：为什么需要推广
经典 CRLB 假设测量是投影到某个固定基上，得到的是经典概率分布。但在量子系统中，测量本身是量子力学的一部分：我们可以选择不同的测量基、使用纠缠态或压缩态，从而改变 Fisher 信息的大小。此时，经典 CRLB 不再适用，需要引入量子 Fisher 信息（QFI）和量子 Cramér-Rao 下界（QCRLB）。
量子 Fisher 信息定义为 F_Q(θ) = Tr[ρ(θ) L_θ²]，其中 L_θ 是量子 Fisher 信息算符（对称对数导数）。量子 CRLB 给出：
Var(θ̂) ≥ 1 / (N · F_Q(θ))关键区别在于：经典 Fisher 信息依赖于具体测量方案，而量子 Fisher 信息是对所有可能测量取最优后的上界。因此，QCRLB 是比经典 CRLB 更紧的下界。对于相位估计，使用 NOON 态或压缩态可以将标度从 1/√N 提升到 1/N，即海森堡极限。
六、工程实践中的参数估计流程
在实际量子回归任务中，参数估计通常按以下流程推进：
- 建模：写出测量数据的概率分布 p(x|θ)，明确噪声模型（高斯、泊松、二项等）。
- 计算 Fisher 信息：对 p(x|θ) 求对数导数平方的期望，得到 I₁(θ)。
- 确定 CRLB：由 I₁(θ) 和测量次数 N 算出方差下界，作为算法性能的基准。
- 选择估计量：优先使用 MLE，检查其是否达到 CRLB；若参数范围窄，可考虑有偏估计降低 MSE。
- 验证：用蒙特卡洛仿真生成多组数据，统计 θ̂ 的偏差和方差，与 CRLB 对比。
七、常见误区与工程提醒
- 混淆 Fisher 信息与方差：Fisher 信息是分布的性质，方差是估计量的性质，两者通过 CRLB 联系但不等同。
- 忽略正则条件：CRLB 要求分布对 θ 可微且积分与微分可交换，边界效应或离散参数需谨慎。
- 盲目追求无偏：在参数先验集中时，有偏估计可能获得更小 MSE。
- 量子优势不是自动的：QFI 给出的是理论下界，实际达到需要合适的测量基和估计策略。