1. 课程导入与谐振峰识别拟合全景
在超导量子芯片的测试流程中，谐振峰识别与拟合是连接“芯片做出来了”和“芯片能不能用”的关键一环。无论是读取谐振腔的品质因数、提取比特频率，还是标定耦合强度，工程师最终都要回到一条从矢量网络分析仪扫出来的 S21 曲线上：这条曲线在哪里出现凹陷、凹陷有多深、多宽、形状是否对称，直接决定了后续参数提取的可信度。本课程的目标，就是让读者具备从一条原始扫频曲线出发，独立完成峰检测、模型选择、参数拟合、结果判读与异常排查的完整能力。
先明确核心目标。谐振峰识别解决的是“峰在哪里”的问题，输出的是候选峰的频率位置、带宽量级与初步可信度；谐振峰拟合解决的是“峰意味着什么”的问题，输出的是谐振频率 fr、内部品质因数 Qi、耦合品质因数 Qc、总品质因数 Ql 以及基线参数等物理量。二者不是两个独立步骤，而是同一条处理链上的前后环节：识别给出初值与感兴趣区间，拟合反过来验证识别是否正确，若拟合残差呈现系统性结构，往往说明峰被漏检、误检或模型不匹配。
上图给出了本课程贯穿始终的工作流骨架：原始扫频数据经过预处理后进入峰识别，识别结果作为初值送入模型拟合，拟合输出物理参数，同时用残差结构反向检验识别与模型是否合理。需要特别强调的是那条橙色虚线反馈回路——它决定了这条链不是单向流水线，而是一个闭环。很多初学者把拟合失败归因于“优化算法不好”，实际上更常见的原因是峰识别给出的初值偏离真实峰位，或者基线估计把峰形扭曲了。
典型工作流中的关键输入与判断点
以一段实际教学示例数据为例（以下参数为合理假设，用于说明流程，非实测结果）：扫频范围 6.80～7.20 GHz，共 4001 个频点，室温电子学链路增益波动约 0.5 dB，测量得到一条在 7.012 GHz 附近出现约 8 dB 凹陷的 S21 幅度曲线。预处理阶段先对幅度取对数，再用低阶多项式或滑动中值估计基线，把缓慢倾斜去掉；随后在去基线后的曲线上寻找局部极小值，设定“凹陷深度大于 3 倍噪声标准差、半高宽在 0.1～20 MHz 之间”作为候选峰筛选条件。这一步的阈值不是拍脑袋定的，噪声标准差可以从远离峰的频段直接估计，带宽范围则来自芯片设计的预期 Q 值量级。
识别给出候选峰后，拟合阶段通常从 Lorentz 型或输入输出型模型起步。对反射式读取常用的 hanger 结构，输入输出模型形如 S21 = A·[1 − (Q_l/Q_c)·e^{iφ}/(1 + 2iQ_l(f−f_r)/f_r)] + 基线项，其中 A 为整体幅度、φ 为相位偏移、Q_l 为总品质因数、Q_c 为耦合品质因数，再由 1/Q_i = 1/Q_l − 1/Q_c 反推内部品质因数。拟合时把 f_r、Q_l、Q_c、A、φ 与基线系数一起作为自由参数，用非线性最小二乘迭代。判断拟合是否可信，不能只看参数是否收敛，而要看三件事：残差是否随机分布、参数是否落在物理合理区间、换一组初值后结果是否稳定。
关键挑战与学习路径
实际工作中最常遇到的困难集中在四类。第一类是弱峰：高内部品质因数意味着线宽很窄，扫频点数不足时峰可能只落在两三个点上，甚至被噪声淹没，此时需要加密扫频或降低中频带宽。第二类是基线问题：线缆驻波和放大器增益起伏会叠加出周期性纹波，若基线估计过于激进，会把真实峰形削平。第三类是模型失配：当谐振腔存在非对称耦合或附近有杂模时，对称 Lorentz 模型会留下明显的系统性残差，需要改用 Fano 型或双模模型。第四类是初值敏感：非线性拟合对 f_r 和 Q_l 的初值较敏感，初值偏差过大时可能收敛到局部极小，表现为“拟合曲线看着还行但参数明显不合理”。
围绕这些挑战，本课程的学习路径按“看得见—算得准—判得对—排得快”四层递进展开：先建立对谐振峰物理形态与 S21 曲线的直观认识，掌握扫频参数与曲线形态的对应关系；再进入识别与拟合的具体算法，理解初值估计、模型选择与最小二乘实现；随后训练结果判读能力，学会用残差、置信区间与物理约束交叉验证；最后进入异常排查与批量处理，面对整片芯片数十个谐振腔时能够建立自动化流程并快速定位问题腔。每一层都配有可复现的示例数据与判断依据，读者完成课程后应能独立处理一条陌生曲线，并说清楚自己的结论为什么可信。