4. 量子跳跃法（Monte Carlo波函数法）

量子跳跃法（Quantum Jump Method），又称Monte Carlo波函数法，是求解开放量子系统主方程的一类重要数值方法。它的核心思想是：不直接演化密度矩阵 ρ，而是把主方程拆解为“非厄米有效哈密顿量连续演化”与“随机量子跳跃”两个部分，用大量随机纯态轨迹的平均来重构 ρ(t)。相比直接积分主方程，该方法把 N×N 的密度矩阵问题降为 N 维波函数的演化，在系统维度较大时具有明显的内存与计算优势。

本节围绕四个关键环节展开：算法主流程、跳跃时间的抽样方式、跳跃算符的选择规则，以及轨迹平均与统计误差的评估。

一、算法主流程

设系统哈密顿量为 H，环境通过一组 Lindblad 算符 L_k（k=1,…,M）与系统耦合，主方程为：

dρ/dt = -i[H, ρ] + Σ_k ( L_k ρ L_k† - ½{L_k†L_k, ρ} )

量子跳跃法引入非厄米有效哈密顿量：

H_eff = H - (i/2) Σ_k L_k† L_k

单条轨迹的演化分两步交替进行。第一步，在两次跳跃之间，波函数按 H_eff 做连续演化（通常用四阶Runge–Kutta或短时步指数传播），由于 H_eff 非厄米，波函数模方 ‖ψ‖² 会随时间单调衰减，衰减量恰好对应“尚未发生跳跃”的概率。第二步，当满足跳跃条件时，随机选择一个跳跃算符 L_k 作用到波函数上，并重新归一化，然后继续演化。整条轨迹在 t=0 到 t=T 之间产生一串跳跃时刻与跳跃类型，构成一次随机实现。

下图给出单条轨迹的算法结构与判断关系：

二、跳跃时间的抽样

跳跃时刻的抽样有两种等价实现。第一种是“固定步长 + 模方判据”：每推进一个 δt，计算当前模方 ‖ψ(t)‖²，并与初始生成的均匀随机数 r₁∈(0,1] 比较，一旦 ‖ψ‖² < r₁ 即判定发生跳跃。这种写法实现简单，但跳跃时刻被量化到 δt 网格上，δt 需足够小以控制偏差。

第二种是“指数分布直接抽样”，更精确。由于在未跳跃条件下模方按 ‖ψ(t)‖² = exp(−∫₀ᵗ Γ(t′)dt′) 衰减，其中总跳跃率 Γ(t)=Σ_k⟨ψ|L_k†L_k|ψ⟩，因此等待时间 τ 服从参数为 Γ 的指数分布。可抽取均匀随机数 r∈(0,1]，令

∫₀^τ Γ(t′) dt′ = -ln(r)

再对 τ 做数值求根（如二分法或Brent法），得到精确跳跃时刻。若 Γ 在区间内近似常数，则退化为 τ = −ln(r)/Γ。实际实现中常把两种方式结合：用大步长指数抽样定位跳跃区间，再在区间内用小步长细化。

三、跳跃算符的选择

当判定发生跳跃时，需要决定由哪个 L_k 实施。正确做法是按条件概率抽样：先计算各通道的瞬时权重 w_k=‖L_kψ‖²，归一化得 P_k=w_k/Σ_jw_j，再生成均匀随机数 r₂，按累积分布 Σ_k≤mP_k 落入的区间确定 m，最后令 ψ←L_mψ/‖L_mψ‖。

算符集合的选择直接决定物理正确性。以二能级原子自发辐射为例，取 σ₋=|g⟩⟨e| 作为唯一跳跃算符，跳跃后原子被投影到基态，对应一次光子发射；若研究腔泄漏，则用腔模湮灭算符 a；若同时存在退相位，则需加入 √γ_φ σ_z 型算符。需要注意：跳跃算符必须与主方程中的 Lindblad 项一一对应，漏掉任何一个通道都会导致稳态布居数偏离。此外，L_k 前的系数（如 √γ）应统一放在算符定义中，避免在抽样权重与 H_eff 中重复或遗漏。

四、轨迹平均与统计误差

单条轨迹只给出一次随机实现，物理量期望值需对 N 条独立轨迹求平均：

⟨A⟩(t) ≈ (1/N) Σ_{i=1}^{N} ⟨ψ_i(t)|A|ψ_i(t)⟩

由于各轨迹相互独立，估计量的统计误差按 1/√N 收敛。设单轨迹观测量方差为 σ²，则均值标准误为 σ/√N。实践中可用滑动窗口估计 σ，并据此判断 N 是否足够：若要求相对误差小于 1%，通常需要 N 在 10³～10⁴ 量级，具体取决于观测量涨落大小。对于布居数这类有界量，方差较小，收敛较快；对于关联函数或高阶矩，涨落大，需要更多轨迹。

误差分析还要注意两点。其一，轨迹间必须使用独立随机数流，避免相关性导致误差被低估；可用不同随机种子并行生成。其二，除统计误差外还存在离散化误差：δt 过大时跳跃时刻与连续演化均有偏差，应做 δt 收敛性检验，即固定 N 减小 δt，观察结果是否稳定。下表给出一个示例性的收敛判断框架（数值为教学假设，非实测）：

可以看到标准误大致按 1/√N 下降，与理论一致。若发现误差不随 N 下降，应首先排查随机数相关性或跳跃判据实现错误，而不是盲目增加轨迹数。

综上，量子跳跃法的可靠性建立在三个一致之上：H_eff 与跳跃算符集合同主方程一致、抽样判据与条件概率一致、轨迹独立性与误差估计一致。掌握这三点，才能在较大系统上放心地用轨迹平均替代密度矩阵演化。