1. 课程导入与仿真环境搭建

自旋压缩态增强测量，是把量子计量学中“用纠缠换精度”的思想落到具体测量任务上的一类方法。要理解它，先要抓住三个关键词：自旋、压缩、增强。自旋在这里通常指由 N 个二能级粒子（原子、离子或等效自旋）构成的集体自旋，其宏观取向可用总自旋矢量 J = (Jx, Jy, Jz) 描述；压缩指在某个与平均自旋垂直的方向上，通过粒子间相互作用把该方向的自旋涨落压到标准量子极限以下，代价是共轭方向涨落被放大；增强则指这种涨落重分配使相位估计的灵敏度突破散粒噪声极限，逼近甚至达到海森堡极限。

为什么这件事值得专门做仿真？因为真实实验中，压缩态的制备、保持与读出都极其脆弱：探测噪声、原子损耗、探测效率不足、退相干都会把压缩“吃掉”。在动手搭光路或调射频之前，用数值方法把哈密顿量、演化时间、测量算符和估计量串起来跑一遍，能快速判断参数区间是否合理、压缩度能到多少、相位灵敏度是否真的改善。本课程后续章节会依次展开压缩态制备、探测、参数估计与误差分析，而本章的任务是把概念框架立起来，并把可复现的仿真环境跑通。

从标准量子极限到海森堡极限

设集体自旋沿 x 方向极化，即 <Jx> = N/2，在 z 方向做相位积累。对相干自旋态，横向自旋分量 Jy 的涨落满足 ΔJy = √(N)/2，相位不确定度约为 Δφ = 1/√N，这就是标准量子极限（SQL）。若能把 Jy 的涨落压缩到 ξ² = 2(ΔJy)²/(N/2) < 1（以相干态为参考的压缩参数），则相位灵敏度可改善为 Δφ ≈ ξ/√N。理想的海森堡极限是 1/N，对应最大纠缠态。仿真中我们关心的核心指标就是压缩参数 ξ² 与相位估计方差，二者构成从“态”到“测量结果”的因果链。

上图把整条链路摊开：初态、压缩演化、相位积累、测量估计四个环节，以及每个环节对应的数学对象。仿真时我们并不需要一次把全部物理都塞进去，而是按这条链逐段验证——先确认相干态的涨落是否等于 √N/2，再确认压缩哈密顿量确实让 Jy 方差下降，最后看相位估计方差是否低于 SQL。这种“分段对齐”的习惯能避免一上来就调复杂模型却不知道错在哪。

仿真工具选型与安装

本课程以 Python 为主语言，核心库是 QuTiP（Quantum Toolbox in Python）。QuTiP 提供自旋算符、张量积、时间演化、主方程与蒙特卡洛求解器，正好覆盖从理想幺正演化到含噪开放系统的需求。配套使用 NumPy 做数值运算、Matplotlib 做可视化。建议使用 conda 创建独立环境，避免与系统包冲突：

conda create -n spin_squeeze python=3.11 -y
conda activate spin_squeeze
conda install -c conda-forge qutip numpy matplotlib -y
python -c "import qutip; print(qutip.__version__)"

若使用 pip，可执行 pip install qutip numpy matplotlib。安装完成后务必打印版本号，因为 QuTiP 4 与 5 在求解器接口上有差异，本课程示例以 QuTiP 5 为准；若你的环境是 4.x，qutip.sesolve 的参数顺序与部分返回结构略有不同，遇到报错先核对版本。此外，QuTiP 首次运行会编译 Cython 扩展，耗时较长属正常现象。

第一个可运行示例：相干态的涨落

在引入压缩之前，先建立一个“基准”。用自旋算符构造 N 个二能级粒子的集体自旋，取相干态并计算 Jy 的方差，验证它是否接近 N/4（即 ΔJy = √N/2）。下面这段代码可直接运行，输出用于确认环境与物理约定一致：

import numpy as np
import qutip as qt

N = 20
# 集体自旋算符：jmat 返回 (Jx, Jy, Jz)，自旋 j = N/2
jx, jy, jz = qt.jmat(N/2, 'x'), qt.jmat(N/2, 'y'), qt.jmat(N/2, 'z')

# 相干态：沿 x 方向极化的自旋相干态
theta, phi = np.pi/2, 0.0
psi0 = qt.spin_coherent(N/2, theta, phi)

var_jy = qt.variance(jy, psi0)
print("N =", N)
print("Var(Jy) =", var_jy, " 理论值 N/4 =", N/4)
print("压缩参数 xi^2 =", 2*var_jy/(N/2))

预期输出中 Var(Jy) 约为 5.0，N/4 = 5.0，压缩参数 ξ² 约为 1.0。这一步的意义在于：它确认了自旋算符的归一化约定（jmat 使用 j = N/2，本征值范围为 -j 到 j）、相干态的构造方式，以及方差计算的调用形式。很多后续“压缩不明显”的问题，根源其实是这里 N 的取值或算符约定搞错了。若你的输出明显偏离，先检查 N/2 是否误写成 N。

把压缩演化接进来

基准通过后，加入单轴扭曲哈密顿量 H = χ Jz²，演化时间 t 后计算 Jy 方差。理想情况下，选择合适的 χt 可使方差降到基准以下。这里给出一个最小验证片段，用于观察压缩随演化时间的变化趋势：

chi = 0.1
times = np.linspace(0, 2.0, 41)
H = chi * jz**2

result = qt.sesolve(H, psi0, times, e_ops=[jy, jy**2])
var_t = result.expect[1] - result.expect[0]**2
xi2 = 2*var_t/(N/2)
print("最小 xi^2 =", xi2.min(), " 对应时刻 t =", times[xi2.argmin()])

运行后你会看到 ξ² 先下降后回升，存在一个最优演化时间。这正是压缩态制备的典型特征：压缩不是越久越好，过度演化会让态绕过最小不确定区域。示例参数 χ = 0.1、N = 20 下，最优 ξ² 大致落在 0.3～0.6 量级（具体数值随参数变化，属示例性结果，不作为实测结论）。若你的曲线单调下降或始终大于 1，优先检查 jz**2 是否被正确构造为算符平方，以及 sesolve 的 e_ops 是否包含 jy**2。

环境搭建中的常见坑

• 维度不匹配：直接用 qt.tensor 拼 N 个二能级系统会得到 2^N 维空间，N = 20 时已不可行。集体自旋应使用 jmat(N/2, ...) 的 (N+1) 维表示，这是本课程全程采用的约定。
• 算符平方的写法：jz**2 在 QuTiP 中返回算符乘积，不要误写成 NumPy 的逐元素平方。
• 求解器选择：纯幺正演化用 sesolve；含损耗、退相干时改用 mesolve 并给出坍缩算符列表；需要模拟单次测量轨迹时用 mcsolve。
• 单位与量纲：χ 与 t 的乘积才是无量纲演化量，调参时应固定其一、扫描其二，避免两个量同时变动导致结论混乱。

完成本章后，你应当拥有一个可运行的环境、一段能复现相干态涨落的基准脚本，以及一段能观察到压缩随演化时间先降后升的最小示例。这三样东西构成后续所有章节的起点：无论后面讨论探测效率、损耗建模还是相位估计，都可以回到这条“初态—压缩—相位—测量”的链路上，逐段替换或增加物理内容，而不必推倒重来。