量子态层析与表征：态估计、保真度与实验验证

制备：用激光/微波/光路把量子系统推到一个目标态
验证：测量并确认「它真的是这个态」

为什么不能只看制备参数：
  器件有误差、串扰、漂移
  目标态与真实态之间的偏差往往是「看不出来」的
  → 必须用测量数据「反推」真实态

1. 保真度：我制备的态离目标态有多近？
2. 纠缠：态里真的有纠缠吗？纠缠多少？
3. 噪声：偏差是退相干、串扰还是读出错误？
4. 门质量：我实现的门是否等价于目标门？
→ 表征是「量子实验的度量衡」

纯态：|ψ⟩，密度矩阵 ρ = |ψ⟩⟨ψ|
混态：概率混合，ρ = Σ_i p_i |ψ_i⟩⟨ψ_i|

性质（三条公理）：
  1. 厄米：ρ = ρ†
  2. 半正定：ρ ≥ 0（所有特征值非负）
  3. 迹为 1：Tr(ρ) = 1
→ 任何合法量子态都必须同时满足这三条

单比特密度矩阵：
  ρ = (I + x·σx + y·σy + z·σz) / 2
  其中 (x, y, z) 是 Bloch 向量，|r| = √(x²+y²+z²) ≤ 1
    |r| = 1 → 纯态（Bloch 球面）
    |r| < 1 → 混态（球内部）
    |r| = 0 → 完全混合态（球心）

物理意义：
  层析 = 「测量 Bloch 向量的三个分量」
  需要 3 个独立测量基（σx, σy, σz）

目标：估计 Bloch 向量 (x, y, z)

步骤：
  1. 重复制备态 ρ 共 N 次
  2. 分三组测量：
     N/3 次测 σz → 得到 P(+1)、P(-1) → z = P(+1) - P(-1)
     N/3 次测 σx → 得到 x
     N/3 次测 σy → 得到 y
  3. 用估计值拼出 ρ = (I + xσx + yσy + zσz)/2
→ 「线性反演」：测量结果与参数之间是线性关系

Pauli 期望值 c_P = Tr(P ρ) 是 ρ 的线性函数
测量频率是 c_P 的无偏估计
→ ρ_est = (1/2^n) Σ_P ĉ_P · P 直接给出密度矩阵
→ 计算简单、无需迭代

信息完备（Informationally Complete, IC）：
  一组测量的结果概率能唯一确定任意量子态
  条件：测量算符张成的空间「覆盖」整个算符空间

单比特的 IC 测量：
  需要至少 4 个线性无关的测量结果
  例：σx, σy, σz 三基 + 恒等 → 恰好完备
→ 不完备则「无解」，过完备则「冗余但更稳健」

过完备（如 6 个测量基）：
  冗余信息 → 对统计噪声更稳健
  可用「最小二乘」平均掉部分误差
代价：
  测量设置更多 → 时间更长 → 漂移影响更大
→ 「完备性」与「稳健性」之间存在权衡

给定测量数据 D（各结果的计数）
构造似然函数 L(ρ) = Pr(D | ρ)
最大似然估计：ρ_MLE = argmax L(ρ)，约束 ρ 合法
→ 「最可能产生这组数据的量子态」

设第 j 次测量的投影算符为 {E_jk}（第 k 个结果）
数据中第 j 组测量出现 k 的次数为 n_jk，总次数 N_j
则似然：
  L(ρ) = Π_j Π_k [Tr(E_jk ρ)]^(n_jk)

实践中最大化对数似然：
  log L(ρ) = Σ_j Σ_k n_jk · log Tr(E_jk ρ)
→ 对数形式把乘积变求和，数值上更稳定

1. 梯度上升 / 定点迭代：
   从「最大混合态」出发，迭代更新 ρ
   （标准的 RρR 迭代算法，保证收敛）

2. 凸优化：
   用半正定规划（SDP）或投影梯度法
   约束：ρ ≥ 0、Tr(ρ) = 1

3. 参数化方法：
   用 Cholesky 分解 ρ = T†T / Tr(T†T) 保证半正定
   → 在无约束空间优化 T，自动满足合法性
→ 三种方法各有工程权衡

定义（一般形式）：
  F(ρ, σ) = [Tr √(√ρ σ √ρ)]²
  取值范围 [0, 1]，1 表示完全相同

纯态与混态：
  F(|ψ⟩, σ) = ⟨ψ|σ|ψ⟩（简单的期望值形式）

常用近似（工程中）：
  F ≈ (Tr √(√ρ σ √ρ))² 用数值方法算
  → 量子实验报告的「保真度 99.5%」通常指它

1. 平方还是不开方：
   不同文献定义不同（F 与 √F 混用）
   → 报告时必须明确公式

2. 与目标态比较 vs 与理想态比较：
   目标态来自实验标定，理想态来自理论
   两者可以差很多

3. 层析估计的保真度有偏：
   线性层析可能给出 F > 1（非物理）
   小样本时保真度被系统性高估
→ 报告保真度必须附「置信区间」与「样本量」

态层析：表征一个量子态 ρ
过程层析（Process Tomography）：表征一个量子操作（门/信道）
  → 回答「我的 CNOT 到底做了什么」

数学工具：
  信道用「过程矩阵」χ 或「Choi 矩阵」描述
  ρ_out = Σ_{mn} χ_mn E_m ρ_in E_n†
  E_m 为算符基（如 Pauli 基）
→ 过程层析 = 「估计 χ 矩阵的全部元素」

1. 制备一组完备的输入态（如 4 个基态 / 6 个态）
2. 对每个输入态施加待表征的门
3. 对输出态做态层析
4. 从「输入-输出」对反推过程矩阵

资源开销：
  d 维系统需要 d² 个输入态 + 每个 d² 个测量设置
  → 4^n × 4^n 级别的开销（比态层析更贵）

全层析需要 4^n 个参数、每个 1/ε² 次测量
  → 10 比特 = 10^6 参数，完全不可行

但许多实际量子态是「结构化的」：
  低秩（近似纯态）
  低纠缠（矩阵乘积态 MPS）
  稀疏（少数 Pauli 分量主导）
→ 利用先验结构，可以大幅减少测量数

核心思想：
  若信号在某基下「稀疏」，则可用远少于 Nyquist 的采样恢复
  量子版：
    若 ρ 在 Pauli 基下近似稀疏 → 少测即可重构
    用 L1 最小化（或核范数最小化）求解
→ 「低秩 + 少量测量」可以精确恢复

若态是「低纠缠」的：
  可以用 MPS 表示，参数量只随比特数线性增长
  逐比特「扫描」测量，边测边估计
→ 适合一维、低纠缠的量子系统
→ 对高纠缠态（如随机线路输出）失效

1. 态制备：每次测量都要重新制备（一致性是前提）
2. 测量基变换：用单比特旋转把目标基转到测量基
3. 数据采集：计数统计（需要足够多的样本）
4. 读出校正：用「读出错误矩阵」校正计数
5. 重构：MLE 或凸优化
6. 误差分析：自举法（bootstrap）或蒙特卡洛估计置信区间
→ 六步中任何一步出错都会污染最终结果

SPAM = State Preparation And Measurement
  制备不完美 + 测量有错误 → 计数被系统性污染
后果：
  层析结果「偏向」某个方向（系统偏差）
  报告的门保真度被高估
缓解：
  读出校正矩阵（用已知态标定）
  门集层析（GST）自洽消除 SPAM

层析：完整表征 → 信息最全，但代价指数级
  → 适合「小规模、需要完整信息」的场景
基准测试：只回答「好不好」→ 信息少，但可扩展
  → 适合「大规模、需要日常监控」的场景
→ 两者是「显微镜」与「体温计」的关系

1. 随机基准测试（RB）：
   随机 Clifford 序列 → 平均门保真度
   变体：交错 RB（单个门）、同时 RB（串扰）

2. XEB（交叉熵基准测试）：
   随机线路 + 交叉熵估计
   用于「量子优势」实验的保真度指标

3. 量子体积（Quantum Volume）：
   综合「比特数 × 门质量 × 连通性」的单一数字
   → 硬件厂商常用的宣传指标

4. 循环基准测试（Cycle Benchmarking）：
   估计「每个循环」的错误率，定位错误来源