3. 噪声模型分类与数学表示

在量子设备噪声模型拟合中，真正决定拟合能力的并不是“有没有噪声”这一事实，而是噪声以什么数学结构作用在量子态上。本节围绕两条主线展开：一条是时间相关性视角下的马尔可夫与非马尔可夫噪声，另一条是信道作用视角下的泡利信道、振幅阻尼、相位阻尼与去极化信道，并进一步落到 Kraus 算符与过程矩阵这两种可计算、可拟合的表示上。

一、马尔可夫与非马尔可夫：噪声是否“记得过去”

马尔可夫噪声的核心假设是：系统在下一时刻的状态只依赖当前状态，与更早的历史无关。用动力学映射表示，若从 t 到 t+Δt 的演化映射满足完全正定且可分解为任意小区间映射的复合，即

Λ(t+Δt, 0) = Λ(t+Δt, t) ∘ Λ(t, 0)

则称该过程为马尔可夫过程，其连续时间极限对应 Lindblad 主方程：

dρ/dt = -i[H, ρ] + Σ_k γ_k ( L_k ρ L_k† - ½{L_k†L_k, ρ} )

其中 L_k 是跳跃算符，γ_k 是相应速率。马尔可夫噪声在拟合中表现为：退相干与弛豫速率近似恒定，过程矩阵随时间呈指数型衰减，拟合参数少、稳定性好。

非马尔可夫噪声则意味着环境具有记忆效应，信息可以从环境回流到系统。典型表现是：某些相干性在短时间内先衰减后回升，过程矩阵出现非单调变化，或动力学映射在中间时刻不再完全正定。在拟合中，非马尔可夫噪声通常需要引入时变速率、记忆核或更高维的环境辅助态，参数显著增多，也更容易过拟合。因此实际建模时，常先用马尔可夫模型拟合，再检查残差是否呈现系统性回升；若残差在特定时间尺度上出现反向结构，才考虑升级为非马尔可夫模型。

二、四类典型信道：作用方式与参数含义

从信道作用角度看，量子噪声可归纳为几种标准形式，它们分别对应不同的物理机制。

• 泡利信道：以一定概率施加 X、Y、Z 或恒等操作，描述比特翻转、相位翻转及其组合。其 Kraus 算符为 {√p₀I, √p₁X, √p₂Y, √p₃Z}，满足 Σpᵢ=1。它是许多纠错码分析的基础模型。
• 振幅阻尼：描述能量耗散，如激发态 |1⟩ 衰减到 |0⟩。Kraus 算符为 E₀=[[1,0],[0,√(1-γ)]], E₁=[[0,√γ],[0,0]]，γ 为衰减概率。它使布居数向 |0⟩ 转移，同时降低相干性。
• 相位阻尼：描述纯退相干，不改变布居数，只衰减非对角元。Kraus 算符为 E₀=[[1,0],[0,√(1-λ)]], E₁=[[0,0],[0,√λ]]，λ 为退相干强度。密度矩阵非对角元按 √(1-λ) 缩放。
• 去极化信道：以概率 p 将态替换为完全混合态 I/2，其余 1-p 保持原态。其作用为 ρ → (1-p)ρ + p·I/2，对 Bloch 矢量相当于整体收缩因子 (1-p)。

这四类信道的区别在拟合中非常关键：振幅阻尼改变布居数，相位阻尼只改变相干性，去极化同时压缩三者，泡利信道则给出离散的错误类型分布。若拟合时选错信道类型，即使参数优化到最优，残差仍会呈现结构性偏差。

三、Kraus 算符与过程矩阵：从抽象信道到可拟合数据

任何完全正定保迹映射都可以写成 Kraus 表示：

ρ' = Σ_k E_k ρ E_k†,   Σ_k E_k†E_k = I

Kraus 算符直接给出信道对密度矩阵的作用方式，适合理论推导和小规模解析。但在实验拟合中，更常用的是过程矩阵（process matrix，χ 矩阵）。将 Kraus 算符在一组完备基 {Bᵢ}（如泡利基 {I,X,Y,Z}）上展开：

E_k = Σ_i χ_ik B_i

代入后可得：

ρ' = Σ_{i,j} χ_{ij} B_i ρ B_j†

其中 χ 是厄米、半正定矩阵，迹为 1。χ 矩阵的对角元表示各泡利分量的权重，非对角元表示相干混合。对于理想恒等信道，χ 矩阵只有 χ_II=1；对于去极化信道，χ 矩阵对角元按 (1-p) 与 p/3 分布；对于振幅阻尼，χ 矩阵会出现 I 与 Z 之间的非对角项，反映布居数转移带来的相干混合。

在拟合流程中，通常先通过量子过程层析获得一组输入输出态的实验数据，再构造线性方程组求解 χ 矩阵，最后将 χ 矩阵与候选噪声模型的解析 χ 矩阵进行最小二乘比较。判断拟合是否成功，不能只看整体保真度，还要检查 χ 矩阵中非对角元是否被正确复现——这正是区分相位阻尼与去极化的关键。

四、拟合中的实际判断与常见误区

在实际拟合中，一个常见误区是只比较保真度数值。保真度对多种噪声模型都可能给出接近 1 的结果，但 χ 矩阵的结构差异会暴露模型选择是否正确。例如，相位阻尼与去极化在保真度上可能相近，但相位阻尼的 χ 矩阵非对角元按特定比例衰减，而去极化则表现为对角元的均匀压缩。因此，拟合报告应至少包含：χ 矩阵热力图、残差随时间的曲线、以及关键非对角元的拟合值与置信区间。

另一个误区是过早引入非马尔可夫模型。非马尔可夫模型参数多、拟合自由度高，容易把统计涨落误判为记忆效应。建议先拟合马尔可夫模型，检查残差是否在多个时间点上呈现同向偏离；若残差符号随机、幅度在误差棒内，则无需升级。只有当残差出现持续的反向结构，且该结构在重复实验中稳定出现时，才考虑非马尔可夫建模。

总结来看，噪声模型的分类不是并列的标签，而是从不同角度描述同一物理过程的工具。马尔可夫与非马尔可夫回答“噪声是否记得过去”，四类信道回答“噪声以什么方式作用”，Kraus 算符与过程矩阵则回答“如何把这种作用写成可拟合的数学对象”。在量子设备噪声模型拟合中，先确定时间相关性假设，再选择信道类型，最后用 χ 矩阵进行参数估计与模型检验，是一条稳定且可复现的路径。