3. 读出信号特征提取

超导量子比特的读出本质上是把“量子态”映射为“微波信号差异”，再由采集系统把这段差异压缩成可判决的特征。原始 ADC 波形维度极高（例如 1 μs、1 GS/s 采样即 1000 点），直接送入分类器既慢又易过拟合，因此特征提取的目标是：在保留态间可分性的前提下，把高维波形压缩为低维、稳定、可解释的特征向量。本节围绕 IQ 解调、时域积分、匹配滤波、主成分分析（PCA）四条主线，给出可落地的工程做法。

一、IQ 解调：把实信号搬到复平面

读出脉冲经量子比特反射/透射后，携带的态信息体现在幅度与相位上。ADC 采到的是实信号 s(t)，直接看波形很难区分“幅度略降”与“相位略转”。IQ 解调用一对正交本振完成下变频：

I(t) = LPF[ s(t) · cos(2πf_c t) ]
Q(t) = LPF[ s(t) · (-sin(2πf_c t)) ]
z(t) = I(t) + j·Q(t)

其中 f_c 为读出载波频率，LPF 为低通滤波（常用截止带宽 20–50 MHz）。工程上更常用数字解调：先对 s(t) 做希尔伯特变换或直接与数字本振混频，再抽取降采样。解调后每个采样点变成复平面上的一个点，态 0 与态 1 的云团在 IQ 平面上分离，分离方向由 测量轴 决定。这一步的关键参数是解调频率与相位偏移：若本振频率偏离载波，IQ 云团会随时间旋转，导致积分结果不稳定，因此需先用强驱动信号做相位校准，使态 0 云团落在 IQ 平面实轴附近。

二、时域积分与匹配滤波

最简单的特征是对解调后复信号在读出窗口 [t0, t1] 内做时域积分：

S = Σ z(t_n) · Δt   （n 覆盖读出窗口）

积分把 1000 维压成 1 个复数（2 个实数特征）。它的隐含假设是信号在窗口内恒定、噪声白且均匀。实际读出信号有上升沿和振铃，窗口起点若落在瞬态区，会引入与态无关的偏置。因此工程上先做窗口对齐：用强驱动脉冲找到信号包络的 10%–90% 上升点，把 t0 设在包络稳定后，t1 设在信号衰减前。

匹配滤波是积分的推广：当已知态 1 与态 0 的平均波形差 d(t) 时，最优线性滤波器为 h(t)=d*(T−t)，输出信噪比最大。实现上等价于对解调信号做加权积分：

S_mf = Σ w_n · z(t_n),  w_n ∝ d(t_n)

权重 w_n 可由标定实验得到：分别制备 |0⟩ 与 |1⟩ 各 5000 次，取平均波形之差作为 d(t)。相比等权积分，匹配滤波在信号有拖尾时能提升约 10%–20% 的态分辨保真度。代价是需要一次标定，且权重对读出功率漂移敏感，需定期重标。

三、主成分分析：让数据自己找方向

积分与匹配滤波都依赖“已知测量轴”，而 PCA 是无监督的：把每次实验的解调波形（或分段积分结果）排成矩阵 X（形状 N×D，N 为实验次数，D 为特征维），做中心化后求协方差矩阵 C = XᵀX/(N−1)，再对 C 做特征分解，取最大特征值对应的特征向量 v1、v2 作为投影方向。态 0 与态 1 的差异通常集中在第一主成分 PC1 上，PC2 往往对应读出功率漂移或热噪声。

工程实现要点：

• 中心化必须做：否则 PC1 会被直流偏置占据，无法反映态差异。
• 样本量：N 至少为 D 的 5–10 倍，否则协方差估计噪声大；若 D=1000，建议 N≥5000。
• 降维判据：累计方差贡献率 >95%，通常前 2–4 个主成分即可。
• 在线投影：标定得到投影矩阵 W（D×k）后，新样本特征 = Wᵀ(z−μ)，计算量仅 k×D 次乘加。

需要注意：PCA 找到的是方差最大方向，不一定是态间可分方向。若读出功率抖动很大，PC1 可能被漂移主导。此时可改用 LDA（线性判别分析），它显式最大化类间/类内方差比，更适合有标签的态判别。

四、特征工程实践：从标定到上线

下面给出一套可复现的标定与特征提取流程，参数为教学示例，实际需按硬件调整。

最后强调一个常见误区：特征越多不一定越好。把 I、Q、幅度、相位、PC1–PC4、匹配滤波输出全部拼接成 10 维特征，若样本量不足，分类器会在训练集上过拟合，上线后反而变差。正确做法是先用 SNR 和保真度做单特征筛选，再逐步加入互补特征，每次加入都用交叉验证确认泛化性能没有下降。