3. 拉姆齐干涉条纹仿真与频率估计

拉姆齐序列的物理过程与可观测信号

拉姆齐干涉的核心是“先制备叠加态，再让相位自由累积，最后把相位差转成布居数差”。对单个二能级原子，设驱动频率为 ω，原子跃迁频率为 ω₀，失谐 Δ = ω − ω₀。在旋转坐标系下，两段 π/2 脉冲之间自由演化时间 τ 内，相对相位累积为 φ = Δ·τ。若两段脉冲相位相同，末态布居数差（即测量信号）为：

P(τ) = cos(Δ·τ)

因此扫描 τ 会得到一条余弦条纹，条纹角频率就是失谐 Δ。实际估计时，我们固定 τ 扫描驱动频率 ω（等价于扫描 Δ），在条纹过零点附近，信号对频率的斜率最大，频率估计灵敏度最高。

仿真实现：从序列到频率估计

下面用 Python 实现完整流程：构造两段 π/2 脉冲的传播算符，在自由演化段施加相位，扫描失谐得到条纹，再用过零点附近的线性拟合估计频率。代码自洽可运行，仅依赖 NumPy 与 Matplotlib。

import numpy as np
import matplotlib.pyplot as plt

# 旋转坐标系下的二能级哈密顿量（失谐 Δ）
# H = (ħ/2) * [[0, Δ], [Δ, 0]] 的等效相位累积
# 自由演化算符：U_free(τ) = exp(-i * Δ * τ / 2 * σx)
# 这里用相位累积形式：相对相位 φ = Δ * τ

def ramsey_signal(delta, tau):
    """给定失谐 delta 和自由演化时间 tau，返回布居数差 P = cos(delta*tau)"""
    return np.cos(delta * tau)

# 1) 固定 tau，扫描失谐，生成干涉条纹
tau = 2.0e-6          # 自由演化时间 2 μs
delta_scan = np.linspace(-2*np.pi*1e6, 2*np.pi*1e6, 801)  # ±1 MHz
signal = ramsey_signal(delta_scan, tau)

# 2) 在过零点附近做线性拟合估计频率
# 找到信号过零点（符号变化处）
zero_crossings = []
for i in range(len(signal)-1):
    if signal[i] * signal[i+1] < 0:
        # 线性插值求过零点
        d0, d1 = delta_scan[i], delta_scan[i+1]
        s0, s1 = signal[i], signal[i+1]
        d_zero = d0 - s0 * (d1 - d0) / (s1 - s0)
        zero_crossings.append(d_zero)

print("过零点位置 (rad/s):", zero_crossings)
# 相邻过零点间距 = π/τ，可反推 τ 或校验条纹周期
if len(zero_crossings) >= 2:
    spacing = zero_crossings[1] - zero_crossings[0]
    tau_est = np.pi / spacing
    print(f"由条纹间距估计的 tau = {tau_est*1e6:.3f} μs")

# 3) 分析 tau 对灵敏度的影响
# 过零点斜率 dP/dΔ = -tau * sin(Δτ)，在 Δτ = π/2 时 |斜率| = tau
taus = np.array([0.5e-6, 1.0e-6, 2.0e-6, 4.0e-6])
slopes = taus  # 过零点处最大斜率绝对值 = tau
for t, s in zip(taus, slopes):
    print(f"tau = {t*1e6:.1f} μs, 过零点最大斜率 = {s:.3e} /(rad/s)")

# 4) 绘图
fig, axes = plt.subplots(1, 2, figsize=(11, 4))
axes[0].plot(delta_scan/1e6, signal, color='#e07b39')
axes[0].axhline(0, color='gray', lw=0.8)
axes[0].set_xlabel('失谐 Δ (MHz)')
axes[0].set_ylabel('布居数差 P')
axes[0].set_title(f'拉姆齐条纹 (τ={tau*1e6:.1f} μs)')
axes[0].grid(alpha=0.3)

for t in taus:
    axes[1].plot(delta_scan/1e6, ramsey_signal(delta_scan, t), label=f'τ={t*1e6:.1f} μs')
axes[1].axhline(0, color='gray', lw=0.8)
axes[1].set_xlabel('失谐 Δ (MHz)')
axes[1].set_ylabel('布居数差 P')
axes[1].set_title('不同自由演化时间的条纹对比')
axes[1].legend(fontsize=8)
axes[1].grid(alpha=0.3)
plt.tight_layout()
plt.show()

结果判读与灵敏度分析

运行上述代码后，左图应看到一条关于 Δ=0 对称的余弦条纹，过零点等间距分布。右图对比不同 τ：τ 越大，条纹越密，过零点处斜率越陡。这直接对应频率估计的灵敏度——在过零点附近，信号变化量 δP ≈ τ·δΔ，因此相同测量噪声下，τ 越大对失谐的分辨能力越强。