4. 线性层析方法

量子态层析的核心任务，是从一组测量频率数据中反推出密度矩阵 ρ。线性层析（Linear Tomography）是最早被系统使用、也最容易理解的一类方法：它把“测量结果”与“未知量子态”之间的关系写成线性方程，然后用线性代数手段求解。理解线性层析，关键不在于记住某个公式，而在于看清“测量设置—线性方程—反演求解—物理约束”这条链条。

一、线性反演原理：把测量写成线性方程

设待测量子态为密度矩阵 ρ，维数为 d×d（对 n 个量子比特，d=2ⁿ）。任何一次测量都可以用一个测量算符 M_k 描述，其期望值为

p_k = Tr(M_k ρ)

由于 ρ 是厄米矩阵，可以在一组正交基（如泡利基或 Gell-Mann 基）上展开。以单比特为例，ρ = (I + xσ_x + yσ_y + zσ_z)/2，其中 (x, y, z) 是布洛赫矢量。若我们在 σ_x、σ_y、σ_z 三个方向各测一次，得到三个期望值，就恰好构成三个线性方程，解出 x、y、z。这就是线性反演最直观的形态：测量设置决定系数矩阵，测量频率提供方程右端项，未知量是密度矩阵的展开系数。

实际实验中，测量次数有限，频率是统计量，因此方程右端带有噪声。此外，为了完整重构 d×d 的密度矩阵，需要至少 d²−1 个独立参数，通常要设计一组完备的测量基（如对单比特用 X、Y、Z 三组投影测量，对双比特用 9 组或 16 组张量积测量）。测量组数多于未知数时，方程组是超定的，不能简单求逆，需要引入估计准则。

二、最小二乘估计：在噪声中找最接近的解

把线性方程写成矩阵形式：A θ = p，其中 θ 是密度矩阵展开系数组成的向量，A 是测量算符对应的系数矩阵，p 是测得频率向量。由于噪声存在，一般不存在精确解，于是定义残差平方和

S(θ) = ‖A θ − p‖²

最小二乘估计就是求使 S 最小的 θ。对 θ 求导并令导数为零，得到正规方程

A^TA θ = A^Tp

若 A^TA 可逆，则 θ_LS = (A^TA)⁻¹A^Tp。这一步的物理含义是：在所有可能的密度矩阵参数中，找一个让“理论预测频率”与“实测频率”整体偏差最小的那个。它不保证结果一定是合法密度矩阵（半正定、迹为 1），但它是后续许多方法的起点。

三、伪逆方法：处理欠定与奇异情形

当测量组数不足、测量算符线性相关，或 A^TA 接近奇异时，普通逆会失效或数值极不稳定。此时使用 Moore–Penrose 伪逆 A⁺，得到

θ_pinv = A⁺p

伪逆可以通过奇异值分解（SVD）计算：A = U Σ V^T，则 A⁺ = V Σ⁺ U^T，其中 Σ⁺ 把非零奇异值取倒数、零奇异值保持为零。这样得到的解是最小范数最小二乘解：在残差最小的解中，选参数范数最小的那个。伪逆方法在测量不完备时仍能给出稳定结果，但需要人为设定奇异值截断阈值，阈值过大会丢失真实信息，过小会放大噪声。

四、线性层析的优缺点与适用场景

线性层析的最大优点是计算直接、可解析、易于实现。给定测量数据后，只需构造矩阵 A、做一次矩阵乘法或 SVD，就能得到密度矩阵估计。它不需要迭代优化，计算量小，适合快速原型验证和教学演示。对于测量组数充足、噪声较低、量子态接近纯态或低秩的情形，线性层析往往能给出相当好的结果。

但它也有明显短板。第一，结果不保证物理合法：最小二乘解可能给出负本征值或迹不为 1 的矩阵，需要额外投影或修正。第二，对噪声敏感：当 A 的条件数较大时，微小频率误差会被放大，导致重构结果剧烈波动。第三，测量资源随比特数指数增长：完整层析需要约 3ⁿ 或 4ⁿ 组测量，多比特时实验成本迅速上升。第四，无法天然处理稀疏或低秩先验：若已知量子态近似纯态或矩阵乘积态，线性方法不会自动利用这些结构信息。

因此，线性层析更适合以下场景：单比特或双比特系统的快速验证；测量设置完备、统计量充足的低噪声实验；作为更复杂方法（如最大似然估计、压缩感知层析）的初始猜测或对照基线。当系统规模增大、测量资源受限或噪声显著时，通常需要转向带物理约束的非线性估计方法。

五、一个可复现的单比特示例

以单比特为例，设真实态为 |+⟩ = (|0⟩+|1⟩)/√2，对应布洛赫矢量 (x, y, z) = (1, 0, 0)。在 X、Y、Z 三个基下各测量 N = 1000 次，假设测得 X 基下 |+⟩ 频率为 0.512，Y 基下 |+⟩ 频率为 0.498，Z 基下 |0⟩ 频率为 0.503。构造系数矩阵并求解，可得 x ≈ 0.024，y ≈ −0.004，z ≈ 0.006。由于统计涨落，结果偏离真实值 (1, 0, 0) 较大，说明单比特线性层析在有限采样下仍需要足够多的测量次数，或结合多次重复的平均来压低噪声。这个例子也说明：线性反演给出的是“数据拟合最优解”，而不是“物理上最合理的解”。

总结来说，线性层析是量子态层析的入门基石：它把量子测量问题转化为线性代数问题，用最小二乘和伪逆给出可计算的解。理解它的适用边界——测量完备性、噪声水平、物理约束——是进一步学习最大似然估计和压缩感知层析的前提。