3. 随机过程数学基础

在量子轨迹与随机演化模拟中，系统的状态不再是一条确定的曲线，而是一族随时间演化的随机变量。要理解量子跳跃、连续测量和噪声驱动下的演化，必须先掌握四类基础工具：马尔可夫过程描述“当前状态决定未来”的无记忆性；维纳过程刻画连续扩散型噪声；泊松过程刻画离散跳跃事件的到达；随机微分方程则把前两者组合成可计算的演化方程。本节从定义出发，逐步落到可实现的离散化方案。

一、随机过程与马尔可夫性

随机过程是一族以时间为指标的随机变量 {X(t), t≥0}。对量子模拟而言，X(t) 可以是量子态、密度矩阵元素、测量电流或光子计数。若对任意时刻序列 t₁<t₂<…<tₙ，条件分布满足

P(X(tₙ)≤x | X(tₙ₋₁),…,X(t₁)) = P(X(tₙ)≤x | X(tₙ₋₁))，

则称该过程具有马尔可夫性，即“给定现在，未来与过去无关”。这一性质是量子轨迹能够逐步模拟的根本原因：只要知道当前态矢量或密度矩阵，下一步的随机选择就完全确定。马尔可夫过程由转移概率 P(x,t | x₀,t₀) 完全描述，它满足 Chapman–Kolmogorov 方程，并在连续时间下对应主方程。

二、维纳过程：连续扩散的数学模型

维纳过程 W(t)（也称布朗运动）是连续时间、连续状态的马尔可夫过程，满足三个条件：W(0)=0；增量 W(t)−W(s) 服从均值 0、方差 t−s 的正态分布；不重叠区间上的增量相互独立。其关键性质是：路径连续但几乎处处不可微，增量方差与时间间隔成正比，即 ⟨(ΔW)²⟩=Δt。在数值模拟中，常用离散增量 ΔW=√Δt·ξ，其中 ξ∼N(0,1) 为标准正态随机数。这一形式是欧拉–丸山法的基础。

三、泊松过程：离散跳跃事件的到达

泊松过程 N(t) 描述单位时间内随机到达的事件数，常用于量子跳跃、光子探测和衰变计数。若事件到达率恒为 λ，则在时间间隔 Δt 内发生一次跳跃的概率为 λΔt+O(Δt²)，发生两次及以上的概率为 O(Δt²)。因此，在离散模拟中，每个小步长 Δt 内是否发生跳跃可近似用概率 p=λΔt 判断：生成均匀随机数 r∈[0,1)，若 r<p 则跳跃发生。事件间隔服从参数为 λ 的指数分布，均值为 1/λ。当 λ 随时间或状态变化时，称为非齐次泊松过程，此时需用累积强度 Λ(t)=∫λ(s)ds 判断跳跃时刻。

四、随机微分方程初步

把维纳增量与确定性漂移组合，得到伊藤型随机微分方程：

dX(t) = a(X,t) dt + b(X,t) dW(t)

其中 a 为漂移项，b 为扩散项。对量子轨迹，漂移项通常来自有效哈密顿量，扩散项来自测量噪声或环境涨落。数值求解时，最简方案是欧拉–丸山离散化：

X_{n+1} = X_n + a(X_n, t_n) Δt + b(X_n, t_n) √Δt ξ_n

其中 ξ_n 为独立标准正态随机数。该格式的强收敛阶为 0.5，弱收敛阶为 1.0。若需更高精度，可采用 Milstein 格式，增加一项 ½ b b′ (ΔW²−Δt)。

五、量子跳跃与扩散的统一视角

量子轨迹模拟中，两类随机过程常同时出现：连续测量导致态矢量在布洛赫球上扩散，对应维纳过程；量子跳跃导致态矢量突然坍缩到某个本征态，对应泊松过程。以二能级系统为例，设激发态衰减率为 Γ，有效哈密顿量 H_eff = H − iΓ/2 |e⟩⟨e|。在 Δt 内，未归一化态按 e^{−iH_eff Δt} 演化，随后以概率 δp=ΓΔt⟨e|ψ⟩² 判断是否发生跳跃。若跳跃，态坍缩到 |g⟩；若不跳跃，则继续演化并归一化。这一“漂移–判断–跳跃或归一化”的循环，正是量子轨迹蒙特卡洛波函数法的核心。

六、离散化参数选择与误差判断

实际模拟中，Δt 的选取需同时满足两个条件：一是 ΓΔt≪1，保证每步最多发生一次跳跃；二是漂移演化 e^{−iH_eff Δt} 的相位变化足够小，通常要求 ‖H_eff‖Δt≪1。若 Γ=0.1（单位与 H 一致），取 Δt=0.01，则单步跳跃概率约 0.001，漂移相位变化约 0.01 rad，误差可控。判断结果是否可信，可检查两点：轨迹平均后的密度矩阵是否收敛到主方程解；增大采样数 M 后统计涨落是否按 1/√M 下降。若发现跳跃次数远大于 ΓT 或态矢量范数剧烈震荡，应减小 Δt 或改用自适应步长。

七、从单步到统计：一个可复现的示例参数表

按上表参数，单条轨迹在 T=10 内平均发生约 ΓT=1 次跳跃，但具体时刻随机。5000 条轨迹平均后，激发态布居数应呈指数衰减 e^{−Γt}，与主方程解析解一致。若偏差超过统计误差 1/√M≈0.014，则需检查随机数质量或步长是否过大。这一验证流程把马尔可夫性、维纳扩散、泊松跳跃和 SDE 离散化串联成一个完整的可执行闭环，为后续量子轨迹模拟打下基础。