📚 课程目录第2章自旋压缩态物理基础

2. 自旋压缩态物理基础

在上一节中我们已经看到，测量的精度最终受限于量子噪声。要把测量做得比标准量子极限更好，就必须让探针态本身"更安静"——这正是自旋压缩态要解决的问题。本节从自旋相干态出发，给出压缩态的定义与物理图像，再借助单轴扭曲模型说明压缩是如何在动力学演化中产生的，最后用一段数值实验观察压缩现象。

一、自旋相干态：最"经典"的量子指向

考虑一个由 N 个自旋-1/2 粒子组成的集体系统，用总自旋算符 J_x, J_y, J_z 描述，满足角动量对易关系 [J_i, J_j] = i ε_ijk J_k（取 ℏ=1）。取 J_z 方向为平均自旋指向，则 ⟨J_z⟩ = -N/2（或 +N/2，取决于约定，本文统一取指向 -z 方向，即"南极"）。

自旋相干态（Spin Coherent State, SCS）是把所有自旋都指向同一方向时得到的集体态，可由对"全部朝下"的态 |↓…↓⟩ 施加一个绕 y 轴的旋转得到：

|θ, φ⟩ = exp(-i θ J_y) |↓…↓⟩
J_x² + J_y² 的涨落：ΔJ_x = ΔJ_y = √(N/4) = √N/2
海森堡不确定关系：ΔJ_x · ΔJ_y ≥ |⟨J_z⟩|/2 = N/4

可见相干态是"最小不确定态"：两个正交分量的噪声相等，在平均自旋方向垂直的平面上形成一个各向同性的圆形不确定斑，其半径正比于 √N。这个圆斑就是标准量子极限（SQL）的几何来源——投影测量时，圆斑在测量轴上的投影宽度决定了单次测量的统计误差，多次平均后按 1/√N 下降，即 SQL 的 1/√N 标度。

二、自旋压缩态的定义与物理图像

压缩态的核心思想是：不确定关系只约束两个正交分量涨落的乘积，并不要求它们相等。若把圆斑沿某一方向"挤扁"，另一方向必然"拉长"，只要面积不小于 N/4，就不违反量子力学。定义垂直于平均自旋方向的两个分量 J_x 与 J_y，若满足

ξ² = 2 (ΔJ_⊥)² / |⟨J⟩| < 1   （压缩判据，Wineland 参数）
其中 J_⊥ 为垂直于平均自旋的某一分量

则称该态为自旋压缩态，ξ² 称为压缩参数（或 Wineland 压缩参数）。ξ²=1 对应相干态的 SQL，ξ²<1 表示该分量的噪声低于 SQL。物理图像上，原本各向同性的圆形不确定斑被压成椭圆：短轴方向噪声减小（压缩分量），长轴方向噪声增大（反压缩分量）。若把测量轴选在短轴方向，单次测量的信噪比就得到提升，等效于测量精度按 1/ξ 改善。

需要强调两点：其一，压缩是方向性的，压缩与反压缩总是成对出现；其二，压缩是相对于相干态基准而言的，判据中的分母 |⟨J⟩| 会随态演化而变化，因此计算 ξ² 时必须同时跟踪平均自旋长度与横向涨落。

三、单轴扭曲模型：压缩如何产生

最经典、也最容易在仿真中实现的压缩产生机制是单轴扭曲（One-Axis Twisting, OAT）模型。其哈密顿量为

H = χ J_z²
演化算符：U(t) = exp(-i χ J_z² t)
等效扭转角：μ = 2 χ t

这里 χ 是非线性耦合强度，量纲为频率。关键在于 J_z² 项：它对不同 J_z 本征态施加不同的相位，相位差正比于 J_z²，因此这一演化相当于把不确定斑绕平均自旋方向"剪切"——斑的上半部分与下半部分被反向旋转，圆斑被剪成倾斜的椭圆。当剪切角适当时，椭圆短轴恰好落在某个横向分量上，压缩达到最大；继续演化，椭圆会越过最佳点并开始卷曲，最终形成"马鞍形"甚至多瓣结构，压缩退化。

从算符层面看，在小扭转角近似下，OAT 演化把 J_x 映射为 J_x cos μ + J_y sin μ 的线性组合加上与 J_z 相关的非线性项，正是这个非线性项把初始的真空涨落"挤压"到单一分量上。压缩的最佳时刻大致满足 μ_opt ≈ N^(-2/3) 量级，对应的最佳压缩约 ξ² ≈ N^(-2/3)，这是 OAT 模型著名的标度关系，也是它相对 SQL 的优势所在。

四、数值实验：观察压缩现象

下面用一段可直接运行的 Python 代码在集体自旋空间（Dicke 基）中模拟 OAT 演化，并计算 Wineland 压缩参数随时间的曲线。取 N=100，χ=1（即时间以 1/χ 为单位），初始态为沿 -z 方向的相干态。

import numpy as np
from scipy.linalg import expm

N = 100
# Dicke 基 |j=N/2, m>，m 从 -N/2 到 N/2
m = np.arange(-N//2, N//2 + 1)
Jz = np.diag(m)
Jp = np.zeros((N+1, N+1))
for k in range(N):
    Jp[k+1, k] = np.sqrt((N/2 - m[k]) * (N/2 + m[k] + 1))
Jm = Jp.T.conj()
Jx = (Jp + Jm) / 2
Jy = (Jp - Jm) / (2j)

# 初始相干态：全部朝下，再绕 y 轴转 pi/2 指向 -x
psi0 = np.zeros(N+1); psi0[0] = 1.0
theta = np.pi/2
U_rot = expm(-1j * theta * Jy)
psi0 = U_rot @ psi0

def wineland(psi):
    jx = np.real(psi.conj() @ Jx @ psi)
    jy = np.real(psi.conj() @ Jy @ psi)
    jz = np.real(psi.conj() @ Jz @ psi)
    jlen = np.sqrt(jx**2 + jy**2 + jz**2)
    # 取垂直于平均自旋的最小横向涨落
    var_min = min(np.real(psi.conj() @ (Jx@Jx) @ psi) - jx**2,
                  np.real(psi.conj() @ (Jy@Jy) @ psi) - jy**2)
    return 2 * var_min / jlen

for mu in np.linspace(0, 0.6, 13):
    U = expm(-1j * (mu/2) * (Jz @ Jz))
    psi = U @ psi0
    print(f"mu={mu:.2f}  xi^2={wineland(psi):.4f}")

运行后（以下为示例性预期结果，非实测数据）可观察到：μ=0 时 ξ²≈1.00，与相干态一致；随 μ 增大 ξ² 迅速下降，在 μ≈0.10～0.15 附近达到最小值约 0.05～0.08，即噪声被压低到 SQL 的 25%～30%；继续增大 μ，ξ² 回升并可能超过 1。这与前面"先压缩、后过扭"的图像完全吻合。若把 N 改为 200、400 重复实验，可验证最佳压缩随 N 按 N^(-2/3) 改善的标度趋势。

判断压缩是否"真的有效"，不能只看 ξ² 的瞬时最小值，还要确认平均自旋长度 |⟨J⟩| 没有因退相干而大幅衰减。若 |⟨J⟩| 衰减过快，即使横向涨落很小，ξ² 也可能因分母变小而失真。仿真中建议同时输出 |⟨J⟩|/N 与 ξ² 两条曲线。

常见误区：把"压缩"理解为"噪声消失"。实际上压缩只是把噪声在分量间重新分配，反压缩分量的涨落必然增大；此外 OAT 的最佳压缩时刻很短，实际实验中需要精确控制演化时间或耦合强度，否则容易落入过扭区。

小结本节要点：自旋相干态给出 SQL 基准；压缩态通过重新分配正交分量涨落突破该基准，用 Wineland 参数 ξ² 定量刻画；单轴扭曲模型 H=χJ_z² 通过剪切不确定斑产生压缩，最佳压缩约按 N^(-2/3) 标度改善。掌握这三层关系，就为后续讨论压缩态的制备、探测与测量增强打下了物理基础。