1. 课程导入与量子态层析全景

量子态层析（Quantum State Tomography, QST）是量子信息实验中最基础也最关键的一类测量与数据处理技术。它的目标不是直接“看见”一个量子态，而是通过在一组精心选择的测量基下对大量相同制备的量子系统进行重复测量，再依据测量统计结果反推出该量子态的密度矩阵。换句话说，量子态层析把“不可直接观测的量子态”转化为“可观测的测量频率”，再通过数学重构还原出量子态的描述。

本课程围绕“量子态层析与实验数据重构”展开，重点不是停留在概念层面，而是把实验测量、数据采集、统计估计、密度矩阵重构、误差评估与结果可视化串成一条完整链路。学完本课程后，你应当能够独立完成从实验数据到密度矩阵的重构流程，并能判断重构结果是否可信。

1.1 学习目标

本课程的学习目标可以概括为四个层次：

• 概念层：理解量子态、密度矩阵、测量基、投影测量、泡利算符展开等基本概念，明确量子态层析与量子过程层析的区别。
• 方法层：掌握线性层析、最大似然估计、最小二乘估计等重构方法的基本原理与适用条件。
• 实验层：熟悉实验数据采集流程，包括态制备、测量基切换、符合计数、偶然符合扣除、数据归一化等关键环节。
• 评估层：能够计算保真度、迹距离、纯度等指标，并利用蒙特卡洛或自助法估计置信区间，判断重构结果是否物理合法。

1.2 量子态层析的基本定义

对于一个 \(d\) 维量子系统，其状态可以用密度矩阵 \(\rho\) 描述。密度矩阵满足三个基本条件：厄米性 \(\rho=\rho^\dagger\)、半正定性 \(\rho\ge 0\)、迹为1 \(\mathrm{Tr}(\rho)=1\)。量子态层析的任务就是通过实验测量确定 \(\rho\) 的矩阵元。

以单量子比特为例，任意密度矩阵都可以用泡利算符展开：

ρ = (I + x·X + y·Y + z·Z) / 2

其中 \(x=\langle X\rangle\)、\(y=\langle Y\rangle\)、\(z=\langle Z\rangle\) 是布洛赫矢量分量。实验上，我们分别在 \(X\)、\(Y\)、\(Z\) 三个基下测量，得到三个方向的期望值，再代入上式即可得到密度矩阵。对于多量子比特系统，则需要测量所有非平凡泡利算符的期望值，共 \(4^n-1\) 个参数。

1.3 实验数据重构的核心任务

实验数据重构的核心任务可以分解为以下几个关键步骤：

1. 测量基选择：根据系统维度选择完备的测量基集合，确保能够唯一确定密度矩阵。
2. 数据采集：对每个测量基重复制备并测量量子态，记录各结果的计数。
3. 数据预处理：扣除偶然符合、归一化计数、估计测量误差。
4. 参数估计：利用线性反演或最大似然估计求解密度矩阵。
5. 物理约束：确保重构结果满足厄米性、半正定性和迹为1。
6. 误差评估：计算保真度、迹距离、纯度，并给出置信区间。

1.4 整体课程框架与学习路径

本课程共30章，按照“基础概念—实验方法—重构算法—误差分析—综合案例”的逻辑组织。前几章建立量子态层析的数学与实验基础；中间章节深入讲解线性层析、最大似然估计、贝叶斯方法等重构算法；后续章节讨论误差来源、置信区间、保真度评估与实验系统误差校正；最后通过综合案例把全部流程串联起来。

下图展示了本课程的整体知识结构与学习路径。图中以“实验数据”为起点，经过测量基选择、数据采集、预处理、参数估计、物理约束、误差评估，最终输出密度矩阵与置信区间。各模块之间的数据流与依赖关系清晰可见，便于你建立全局视角。

从图中可以看到，量子态层析不是单一算法，而是一条从实验到数据的完整链路。任何一个环节出现偏差，都会影响最终密度矩阵的准确性。因此，本课程在讲解重构算法时，会同步强调实验数据质量、统计误差和物理约束的重要性。

1.5 学习建议

建议你在学习过程中准备一个具体的实验场景，例如超导量子比特或光子偏振态，把每章学到的概念和方法都套用到这个场景中。每学完一种重构算法，就用同一组模拟数据或实验数据跑一遍，比较不同方法得到的密度矩阵和保真度。这样既能加深理解，也能积累实际经验。

本章作为课程导入，建立了量子态层析的整体框架。接下来，我们将从量子态的数学描述和密度矩阵的基本性质开始，逐步深入每一个环节。