📚 课程目录第4章量子过程层析与噪声重构

4. 量子过程层析与噪声重构

量子过程层析（Quantum Process Tomography, QPT）是刻画量子操作完整行为的标准实验手段。与量子态层析只重构一个密度矩阵不同，QPT 要重构的是描述信道作用的超算符 χ 矩阵或过程矩阵，因此它天然承担了"噪声重构"的任务：只要把实验测得的输出态与已知输入态关联起来，就能反推出信道在算符基下的完整作用，包括相干误差与非相干噪声的分布。

标准量子过程层析原理

设待测信道为 ℰ，作用在 d 维系统上。选取一组完备的算符基 {E_m}（常用 Pauli 基或 Gell-Mann 基），信道可展开为

ℰ(ρ) = Σ_mn χ_mn E_m ρ E_n^†

其中 χ 是厄米、迹为 1 的矩阵，对角元对应各算符分量的权重，非对角元则刻画不同算符分量之间的相干性。实验上，对一组完备的输入态 {ρ_j} 逐一送入信道，再对输出做量子态层析，得到 ℰ(ρ_j)。把 ρ_j 同样在算符基下展开，即可建立关于 χ_mn 的线性方程组。对单比特，4 个输入态（如 |0⟩、|1⟩、|+⟩、|+i⟩）配合 3 组测量基（X、Y、Z）即可给出足够约束。

线性反演方法

最直接的重构是线性反演：把测量得到的频率估计转成输出态，再解线性方程组得到 χ。以单比特为例，若输入态选为 |0⟩、|1⟩、|+⟩、|+i⟩，输出态层析得到四个密度矩阵，则 χ 可由下式直接计算：

# 单比特线性反演（示意）
# basis: I, X, Y, Z
# 输入态 rho_in[j], 输出态 rho_out[j]
# 构造 A[j, m, n] = Tr(E_m rho_in[j] E_n^dagger)
# 解 A * chi = rho_out 的最小二乘
import numpy as np
A = np.zeros((4, 4, 4), dtype=complex)
for j, rho in enumerate(rho_in):
    for m, Em in enumerate(basis):
        for n, En in enumerate(basis):
            A[j, m, n] = np.trace(Em @ rho @ En.conj().T)
chi = np.linalg.lstsq(A.reshape(4, 16), rho_out.reshape(4, 4), rcond=None)[0]
chi = chi.reshape(4, 4)

线性反演的优点是计算快、无需迭代，但缺点也很明显：它不保证重构出的 χ 是物理的（即完全正定、迹保持）。实验噪声稍大时，χ 可能出现负本征值，导致"非物理"结果。因此线性反演常作为初值或快速诊断，而非最终交付。

最大似然估计

最大似然估计（MLE）把 χ 参数化为一个保证物理的形式，再最大化测量数据的似然函数。常用参数化是 χ = T†T / Tr(T†T)，其中 T 为任意复矩阵，这样 χ 自动厄米、半正定、迹为 1。似然函数为

L = Π_jk p_jk^f_jk

其中 p_jk 是给定 χ 时第 j 个输入态在第 k 个测量结果上的理论概率，f_jk 是实测频数。实际求解用对数似然 log L = Σ f_jk log p_jk，通过梯度上升或拟牛顿法迭代。由于参数化已内建物理约束，MLE 结果通常比线性反演更可靠，代价是需要迭代、可能陷入局部极值，且对初值敏感。工程上常先用线性反演得到初值，再交给 MLE 精修。

过程保真度与迹距离评估

重构出 χ 后，需要量化它与理想信道 χ_ideal 的接近程度。过程保真度定义为

F_p = (Tr √(√χ_ideal χ √χ_ideal))²

对单比特，若理想信道是幺正的，F_p 可简化为 (Tr χ_ideal χ + 2√(det χ_ideal det χ))/... 的常用形式，实际计算中直接对 4×4 矩阵做特征值分解即可。F_p 越接近 1 越好，0.99 以上通常认为信道接近理想。另一个指标是迹距离

D(χ, χ_ideal) = ½ Tr |χ − χ_ideal|

它给出两个信道在统计上可区分程度的上界，D=0 表示完全相同。保真度对相干误差更敏感，迹距离则对整体偏差更稳健，两者常配合使用。

实验数据采集要点

QPT 的精度高度依赖数据质量。第一，输入态要覆盖 Bloch 球上足够分散的方向，单比特至少 4 个，双比特至少 16 个，否则 χ 的某些分量无法被约束。第二，每个输入态在 X、Y、Z 三组基下都要测量，每组重复次数建议不低于 1000 次，使频数统计误差降到 1% 量级。第三，必须单独标定读出误差和态制备误差：读出误差可用已知基态 |0⟩ 和激发态 |1⟩ 的测量混淆矩阵修正，态制备误差则通过制备后立即层析来评估。若把这两类误差混入信道估计，会把"测量系统的问题"误判为"信道噪声"。

数据记录时，建议保存每个测量基下的原始频数而非仅保存概率，因为 MLE 需要频数来构造似然。同时记录时间戳与实验配置，便于排查漂移。若信道随时间缓慢变化，可把 QPT 分成若干时间窗分别重构，观察 χ 的漂移趋势。

线性反演适合快速诊断，MLE 适合最终交付。两者结果差异较大时，通常说明数据量不足或存在未标定的系统误差，应先补数据再下结论。

χ 矩阵出现负本征值并不一定意味着"信道非物理"，也可能是线性反演在有限采样下的正常波动。此时应改用 MLE 或增加重复次数，而不是直接判定实验失败。

把上述环节串起来，QPT 的完整闭环是：准备完备输入态 → 经信道作用 → 多基测量输出态 → 线性反演得初值 → MLE 精修得物理 χ → 用过程保真度和迹距离评估 → 结合读出与制备标定判断噪声来源。只有每一步都留下可复查的数据与参数，噪声重构的结论才站得住。