4. 长期稳定性验证的统计基础

长期稳定性验证的本质，是用有限数量的量子器件、有限时长的观测数据，去推断器件在未来数月甚至数年内的可靠性表现。这一推断过程充满不确定性：器件参数会漂移，测量本身有噪声，不同批次之间存在工艺差异，环境扰动随时间变化。统计基础的作用，就是把这些不确定性量化，并给出“我们有多大把握说器件是稳定的”这一问题的严格回答。

置信区间：给可靠性指标一个可信范围

假设我们对一批超导量子比特进行T1寿命的长期监测，在30天内测得T1的均值为85 μs，标准差为12 μs。如果只报告“平均T1为85 μs”，读者无法判断这个估计有多可靠。置信区间（Confidence Interval, CI）给出了一个区间，使得在重复抽样下，该区间以指定概率包含真实参数值。

对于均值的95%置信区间，当样本量n足够大时，可用正态近似：CI = x̄ ± z_0.975 · s/√n，其中z_0.975≈1.96。若n=30，则标准误为12/√30≈2.19 μs，95% CI约为[80.7, 89.3] μs。这意味着：如果重复进行30天监测多次，约95%的区间会覆盖真实平均T1。

在可靠性验证中，更常用的是单侧置信下限。例如，我们关心“T1是否不低于70 μs”，则计算单侧95%置信下限：x̄ − z_0.95 · s/√n = 85 − 1.645×2.19 ≈ 81.4 μs。由于81.4 μs > 70 μs，可以在95%置信水平下认为T1满足要求。对于二项型指标（如30天内无故障运行概率），则使用Wilson区间或Clopper-Pearson区间，避免小样本下正态近似的偏差。

假设检验：判断变化是否显著

长期稳定性验证中，我们经常需要回答：“器件在第90天的T1与第1天相比，是否发生了显著下降？”这属于假设检验问题。设原假设H₀：μ₁ = μ₂（无差异），备择假设H₁：μ₁ ≠ μ₂（有差异）。

以双样本t检验为例，若第1天测得n₁=20，均值x̄₁=88 μs，标准差s₁=10 μs；第90天测得n₂=20，均值x̄₂=82 μs，标准差s₂=11 μs。合并标准误为：

s_p = sqrt( ((n₁-1)s₁² + (n₂-1)s₂²) / (n₁+n₂-2) )
    = sqrt( (19×100 + 19×121) / 38 ) ≈ 10.5 μs
SE = s_p × sqrt(1/n₁ + 1/n₂) = 10.5 × sqrt(0.1) ≈ 3.32 μs
t = (88 - 82) / 3.32 ≈ 1.81

自由度df=38，查t分布表得双侧p值约为0.078。若显著性水平α=0.05，则p>α，不能拒绝H₀，即尚无足够证据表明T1发生了显著下降。但若α=0.10，则p<α，认为存在显著差异。这说明显著性水平的选择直接影响结论，在可靠性验证中通常取α=0.05或更严格。

需要注意的是，统计显著不等于工程显著。6 μs的下降在统计上可能不显著，但在工程上可能已经影响门保真度。因此，假设检验应与实际容差标准结合使用。

样本量：多少数据才够

样本量决定了置信区间的宽度和检验的效能（Power）。若希望检测出Δ=5 μs的T1差异，且已知标准差σ≈10 μs，取α=0.05、效能1−β=0.80，则每组所需样本量为：

n ≈ 2 × (z_{1-α/2} + z_{1-β})² × σ² / Δ²
  = 2 × (1.96 + 0.84)² × 100 / 25
  ≈ 2 × 7.84 × 4 = 62.7 → 每组至少63个样本

若实际只能测20个样本，则效能降至约0.35，意味着即使真实存在5 μs的下降，也只有35%的概率被检出。因此，在制定长期稳定性验证计划时，必须根据目标检测差异、预期噪声水平和可接受的漏检风险，预先估算样本量。对于二项型指标（如故障率），样本量还需考虑预期故障率p，常用公式n ≈ (z/Δ)² × p(1−p)。

批次效应：不同批次之间的系统差异

量子器件的制造工艺波动会导致批次间差异。假设三个批次各抽取10个量子比特，测得T1均值分别为86、79、84 μs，组内标准差约8 μs。若直接合并所有数据，批次间的系统差异会被掩盖或误判为时间趋势。

识别批次效应可用单因素方差分析（ANOVA）。计算组间平方和SSB与组内平方和SSW，构造F统计量。若F值超过临界值，说明批次间存在显著差异。此时，长期稳定性分析应采用混合效应模型：将批次作为随机效应，时间作为固定效应，从而分离出真正的老化趋势与批次波动。

在实验设计上，应尽量使每个批次在时间序列上均匀分布，避免“早期批次测早期、晚期批次测晚期”的混淆。若无法避免，则需在模型中引入批次×时间的交互项进行校正。

时间序列分析：捕捉漂移与自相关

长期稳定性数据本质上是时间序列。相邻时间点的测量值往往不独立，存在自相关。若忽略自相关，置信区间会被低估，导致过度乐观的结论。

常用工具包括：自相关函数（ACF）用于识别滞后相关性；偏自相关函数（PACF）用于定阶；ARIMA模型用于拟合并预测趋势。例如，若T1序列的ACF在滞后1处显著非零，则可用AR(1)模型：x_t = φx_t−1 + ε_t，其中φ为自回归系数，ε_t为白噪声。估计φ后，可计算有效样本量n_eff = n × (1−φ)/(1+φ)，用于修正置信区间。

对于存在明显趋势的序列，可先差分消除趋势，再对残差建模。若发现方差随时间增大（异方差），则需采用加权最小二乘或对数变换。最终，结合趋势项和自相关结构，给出未来时间点的预测区间，作为长期稳定性判断的依据。

综合应用：一个长期稳定性验证的统计流程

将上述工具串联，可形成如下验证流程。第一步，明确可靠性指标（如T1、门保真度、故障间隔时间）和工程容差。第二步，根据目标检测差异Δ、历史标准差σ、显著性水平α和效能1−β，估算所需样本量n。第三步，设计实验时确保批次与时间交叉分布，避免混淆。第四步，收集数据后，先做批次效应检验（ANOVA），若显著则采用混合效应模型。第五步，对时间序列做ACF/PACF分析，识别自相关结构，必要时用ARIMA建模。第六步，基于修正后的模型计算置信区间或预测区间，并与工程容差比较，给出稳定性结论。

统计基础不是验证工作的附加装饰，而是贯穿实验设计、数据分析和结论判定的核心骨架。只有把置信区间、假设检验、样本量、批次效应和时间序列分析统一在一个框架下，才能对量子系统的长期稳定性给出可信、可复现、可审计的判断。