3. 噪声的数学描述与随机过程
要工程化地抑制噪声，第一步不是“调参数”，而是把噪声写成可计算、可比较的数学对象。量子硬件中的噪声既有经典随机过程的一面（热噪声、1/f 漂移、放大器噪声），也有量子力学特有的一面（退相干、弛豫、量子投影噪声）。本节建立一套统一的描述语言：用随机过程刻画时域涨落，用功率谱密度（PSD）刻画频域分布，用自相关函数连接两者，再用维纳–辛钦定理把时域与频域严格对应起来。最后讨论两类最常用的近似——高斯噪声与马尔可夫近似——它们决定了我们能否用少数几个参数（如 $T_1$、$T_2$、$\sigma$、$S(f)$）就抓住噪声的主要影响。
一、经典噪声与量子噪声：先分清“谁在随机”
经典噪声指可以用实随机过程 $x(t)$ 描述的涨落，例如电阻热噪声、$1/f$ 电荷漂移、混频器本振相位噪声。它的核心特征是：任意时刻的取值是随机变量，但统计规律（均值、方差、自相关）可重复测量。量子噪声则来自量子力学本身：即使把所有经典噪声降到零，测量仍受投影噪声限制；同时，量子比特与环境的耦合会导致能量弛豫（$T_1$）和相位退相干（$T_2$）。
两者并非互斥。实际超导量子比特的退相干往往是“经典噪声源 + 量子耦合”共同作用的结果。工程上常用的做法是：把环境噪声建模为作用在量子比特上的经典随机场（如磁通噪声、电荷噪声），再通过系统–环境耦合算符把它映射为量子主方程中的耗散项。这样，经典随机过程的 PSD 就直接决定了量子退相干速率。
二、功率谱密度：把涨落拆到频域
设零均值随机过程 $x(t)$，其自相关函数定义为
$$R_{xx}(\tau)=\mathbb{E}[x(t)x(t+\tau)]$$
它描述“相隔 $\tau$ 的两个时刻取值有多像”。对宽平稳过程，$R_{xx}(\tau)$ 只与时间差有关。功率谱密度定义为自相关函数的傅里叶变换：
$$S_{xx}(f)=\int_{-\infty}^{\infty} R_{xx}(\tau)e^{-j2\pi f\tau}\,d\tau$$
这就是维纳–辛钦定理：自相关与 PSD 构成一对傅里叶变换。它的工程意义非常直接——时域里“记忆多长”对应频域里“谱有多宽”。例如白噪声 $R_{xx}(\tau)=\sigma^2\delta(\tau)$，对应 $S_{xx}(f)=\sigma^2$ 常数；而 $1/f$ 噪声在低频有大量功率，对应自相关函数衰减很慢，表现为长时间漂移。
实际测量中，频谱分析仪给出的是单边 PSD $S_x(f)$（$f\ge 0$），单位常见为 $\mathrm{V^2/Hz}$、$\mathrm{A^2/Hz}$ 或相位噪声 $\mathrm{dBc/Hz}$。对量子比特，更常用的是把噪声折算到某个控制参数上，例如磁通噪声谱 $S_\Phi(f)$（单位 $\Phi_0^2/\mathrm{Hz}$）或电荷噪声谱 $S_Q(f)$（单位 $e^2/\mathrm{Hz}$）。
三、自相关函数与维纳–辛钦定理的工程用法
自相关函数不只是数学定义，它直接对应可测量的实验量。例如，对磁通噪声做时间序列采样，计算 $R_\Phi(\tau)$，再对其做 FFT 就得到 $S_\Phi(f)$。反过来，如果已知 $S_\Phi(f)$，可以通过逆变换得到 $R_\Phi(\tau)$，进而估算在某个脉冲序列下的退相干。
一个典型教学示例：假设某超导量子比特的磁通噪声在 $1\,\mathrm{Hz}$ 到 $1\,\mathrm{kHz}$ 之间近似为 $S_\Phi(f)=A/f$，取 $A=10^{-12}\,\Phi_0^2$。用 Hahn 回波（滤波函数在低频处抑制）测量时，退相干时间会明显长于自由感应衰减（FID）。这是因为回波把低频 $1/f$ 噪声“抵消”了，等效滤波函数 $w(f)$ 在 $f\to 0$ 处趋于零。这个例子说明：同样的噪声谱，不同脉冲序列看到的有效噪声不同，这正是量子噪声工程的核心杠杆。
四、高斯噪声与马尔可夫近似
高斯噪声指任意有限维联合分布都是高斯分布。它的重要性在于：高斯过程完全由均值和自相关函数（或等价地，由 PSD）决定。对于线性系统，高斯输入产生高斯输出；对于量子比特，若环境噪声为高斯且耦合较弱，退相干可用二阶微扰理论精确计算。许多实际噪声源（热噪声、放大器噪声）在中心极限定理意义下近似高斯，因此高斯模型是首选起点。
马尔可夫近似则进一步假设：噪声的关联时间 $\tau_c$ 远小于系统演化时间尺度。此时自相关函数近似为 $\delta$ 函数，PSD 在系统相关频段内近似平坦，系统演化可用 Lindblad 主方程描述：
dρ/dt = -i[H, ρ] + Σ_k (L_k ρ L_k† - ½{L_k†L_k, ρ})其中 $L_k$ 是跳跃算符，对应弛豫和退相位。马尔可夫近似把复杂的非马尔可夫记忆效应简化为几个常数速率，极大方便了仿真和校准。但要注意：$1/f$ 噪声通常不满足马尔可夫条件，因为它的关联时间很长，此时需要用非马尔可夫方法或滤波函数方法处理。
五、从数学描述到工程参数：一张可执行的对照表
下表把本节的核心数学对象与量子硬件中常见的可测量、可调参数对应起来，便于在实际校准中快速定位。
| 数学对象 | 物理含义 | 典型测量/提取方式 | 对量子比特的影响 |
|---|---|---|---|
| 自相关 R(τ) | 涨落的时间记忆 | 时间序列采样后计算 | 决定退相干随脉冲间隔的变化 |
| PSD S(f) | 噪声功率的频域分布 | 频谱仪、FFT、噪声谱重构 | 通过滤波函数决定 Γ_φ |
| 维纳–辛钦 | 时域↔频域严格对应 | 数学变换，无需测量 | 连接 R(τ) 与 S(f) 的桥梁 |
| 高斯假设 | 分布由二阶矩决定 | 检验高阶累积量是否为零 | 允许用二阶微扰计算退相干 |
| 马尔可夫近似 | 关联时间极短 | 比较 τ_c 与门时间 | 可用 Lindblad 主方程仿真 |
实际工作中，建议按以下顺序建立噪声模型：先测量或假设 PSD 的形状（白噪声、$1/f$、洛伦兹型），再通过维纳–辛钦定理得到自相关函数，然后根据脉冲序列写出滤波函数，最后计算退相干速率并与实验测得的 $T_2$ 对比。如果偏差较大，再检查是否违反高斯或马尔可夫假设。这个闭环把抽象的随机过程变成了可验证、可迭代的工程流程。