量子信息的语言：态、测量与线性代数工具箱

量子计算的“算力”并不是抽象口号，而是可以被工程化描述、实现与验证的一套数学—物理接口：我们用向量描述状态，用算符描述演化与测量，用概率连接理论预测与实验统计。本章的目标是建立全书统一的语言与工具箱：复向量空间与内积、酉算子与谱分解、张量积与部分迹；在直观层面用布洛赫球把单比特“看见”，在严格层面用密度矩阵把噪声、混合与子系统都纳入同一框架；最后把测量从投影推广到 POVM，并落到可运行的 Python/Numpy 代码与可复核的推导上。

---

复向量空间与狄拉克符号

量子态所在的空间是复向量空间（更精确地说是有限维希尔伯特空间）。在工程语境里，你可以把它理解为“带内积的复数列向量空间”，并牢记两条规则：线性与共轭。

向量、基与坐标：把“对象”和“表示”分开

• 一个态矢量记为 $\lvert\psi\rangle$（ket），它是空间中的对象。
• 选择一组正交归一基 $\{\lvert i\rangle\}$ 后，才能把它写成坐标列向量：

$$\lvert\psi\rangle=\sum_i \psi_i \lvert i\rangle,\quad \psi_i=\langle i\vert\psi\rangle.$$

• 伴随向量（bra）是 $\langle\psi\vert$，对应复共轭转置：若 $\lvert\psi\rangle$ 在某基下是列向量 $\psi$，则 $\langle\psi\vert$ 是行向量 $\psi^\dagger$。

> 侧边栏：常见线代陷阱 1（基变换 vs 坐标变换） > “换基”会改变坐标但不改变向量对象：同一个 $\lvert\psi\rangle$ 在不同基下坐标不同。很多实现错误来自把“态矢量”当成“坐标数组”本身，尤其在把矩阵写死为某基下的表示后，再悄悄更换了基。工程上建议：始终在代码中明确“当前使用的基”（通常默认计算基 $\{\lvert0\rangle,\lvert1\rangle\}$），并只在必要时显式做基变换。

内积、范数与正交归一

复空间内积 $\langle\phi\vert\psi\rangle$ 满足：

• 对右边线性：$\langle\phi\vert(a\psi+b\chi)\rangle=a\langle\phi\vert\psi\rangle+b\langle\phi\vert\chi\rangle$
• 对左边共轭线性：$\langle(a\phi+b\eta)\vert\psi\rangle=a^*\langle\phi\vert\psi\rangle+b^*\langle\eta\vert\psi\rangle$
• 共轭对称：$\langle\phi\vert\psi\rangle=\langle\psi\vert\phi\rangle^*$
• 正定性：$\langle\psi\vert\psi\rangle\ge 0$，且等号当且仅当 $\lvert\psi\rangle=0$

范数定义为 $\|\psi\|=\sqrt{\langle\psi\vert\psi\rangle}$。物理上我们只关心归一化的态：$\langle\psi\vert\psi\rangle=1$。

正交归一基满足 $\langle i\vert j\rangle=\delta_{ij}$，并有恒等分解（完备性关系）： $$\sum_i \lvert i\rangle\langle i\rvert=I.$$ 这条式子在推导测量、部分迹、以及“插入单位算符”化简表达式时非常常用。

---

量子态：从纯态到密度矩阵

纯态、全局相位与“射线”

纯态用单位向量 $\lvert\psi\rangle$ 表示，但 $\lvert\psi\rangle$ 与 $e^{i\theta}\lvert\psi\rangle$ 表示同一物理态（全局相位不可观测）。因此严格地说物理态是“射线”（ray），即等价类 $\{\;e^{i\theta}\lvert\psi\rangle\;\}$。

对单比特，任意纯态可写为 $$\lvert\psi\rangle=\cos\frac{\theta}{2}\lvert0\rangle+e^{i\phi}\sin\frac{\theta}{2}\lvert1\rangle,\quad \theta\in[0,\pi],\ \phi\in[0,2\pi).$$

布洛赫球直观：几何与泡利算符的桥梁

布洛赫球把单比特态映射到三维实向量（布洛赫向量）$\mathbf{r}\in\mathbb{R}^3$。关键连接是泡利矩阵 $$ \sigma_x=\begin{pmatrix}0&1\\1&0\end{pmatrix},\ \sigma_y=\begin{pmatrix}0&-i\\i&0\end{pmatrix},\ \sigma_z=\begin{pmatrix}1&0\\0&-1\end{pmatrix}. $$ 对任意单比特密度矩阵（见下节）都有表示 $$\rho=\frac{1}{2}\left(I+\mathbf{r}\cdot\boldsymbol{\sigma}\right),\quad \boldsymbol{\sigma}=(\sigma_x,\sigma_y,\sigma_z),\quad \|\mathbf{r}\|\le 1.$$

• 纯态对应 $\|\mathbf{r}\|=1$（球面上）
• 混态对应 $\|\mathbf{r}\|<1$（球内）

工程意义：许多校准/表征实验（如状态层析、随机基测量）最终估计的就是 $\langle\sigma_x\rangle,\langle\sigma_y\rangle,\langle\sigma_z\rangle$，它们直接构成 $\mathbf{r}$。

密度矩阵：把噪声与不确定性“合法化”

现实硬件里，态常常既不是完全纯的，也不一定能被你完整观测。密度矩阵 $\rho$ 统一描述三类情况：

1. 你制备的是纯态：$\rho=\lvert\psi\rangle\langle\psi\rvert$ 2. 你制备的是经典随机混合（例如以概率 $p_k$ 制备 $\lvert\psi_k\rangle$）： $$\rho=\sum_k p_k \lvert\psi_k\rangle\langle\psi_k\rvert,\quad p_k\ge 0,\ \sum_k p_k=1.$$ 3. 你只看一个子系统（整体纯态但局部混态）：用部分迹得到约化态（见“张量积与部分迹”）。

密度矩阵必须满足：

• 厄米：$\rho=\rho^\dagger$
• 半正定：$\rho\succeq 0$（所有特征值非负）
• 迹为 1：$\mathrm{Tr}(\rho)=1$

纯度可用 $\mathrm{Tr}(\rho^2)$ 衡量：纯态为 1，完全混合态（单比特）$\rho=I/2$ 为 $1/2$。

> 侧边栏：常见线代陷阱 2（“混合”不等于“叠加”） > 叠加是相干的：$\lvert+\rangle=(\lvert0\rangle+\lvert1\rangle)/\sqrt2$，对应密度矩阵含有非对角项。 > 混合是统计的：以 50% 概率取 $\lvert0\rangle$ 或 $\lvert1\rangle$ 得到 $\rho=I/2$，没有相干项。 > 两者在 $Z$ 基测量概率相同，但在 $X$ 基测量完全不同，这正是工程上用“基变换测量”诊断相干性的原因。

---

量子演化：酉算子、谱分解与不变量

封闭系统的演化由酉算子 $U$ 描述： $$\lvert\psi'\rangle=U\lvert\psi\rangle,\quad U^\dagger U=UU^\dagger=I.$$ 对密度矩阵则是 $$\rho' = U\rho U^\dagger.$$

一个必须会的推导：范数不变性

在 LaTeX 推导中，常见目标是证明演化不改变归一性： $$ \langle\psi'|\psi'\rangle =\langle\psi|U^\dagger U|\psi\rangle =\langle\psi|I|\psi\rangle =\langle\psi|\psi\rangle. $$ 若初态归一，则末态也归一。这不仅是数学一致性，也是工程实现的“守恒检查”：你在数值模拟里若发现 $\|\psi\|$ 漂移，通常意味着数值误差（例如时间步进近似导致非酉）或实现错误（误把转置当作共轭转置）。

> 侧边栏：常见线代陷阱 3（$U^T$ 不是 $U^\dagger$） > 复矩阵的厄米共轭是 $U^\dagger=(U^*)^T$。在 Numpy 中应使用 `U.conj().T` 或 `U.conj().transpose()`；只用 `.T` 会在含复数相位时直接出错。

谱分解：把算符变成“可解释的模式”

厄米算符（可观测量）$A=A^\dagger$ 可谱分解： $$A=\sum_k a_k \Pi_k,\quad \Pi_k=\lvert a_k\rangle\langle a_k\rvert\ \text{（非简并时）}.$$ 其中 $a_k\in\mathbb{R}$ 为特征值，$\Pi_k$ 为投影算符，满足 $\Pi_k\Pi_j=\delta_{kj}\Pi_k$ 且 $\sum_k\Pi_k=I$。

酉算子也可对角化（在有限维且正规时）：$U=\sum_k e^{i\theta_k}\lvert u_k\rangle\langle u_k\rvert$。工程上它解释为“在本征模式上只加相位”，这对理解相位估计、哈密顿量模拟都非常关键。

---

张量积与部分迹：多比特工程的底座

多比特系统的状态空间不是“拼接”，而是张量积： $$\mathcal{H}_{AB}=\mathcal{H}_A\otimes\mathcal{H}_B.$$ 若 $\lvert\psi\rangle_A=\sum_i \alpha_i\lvert i\rangle$，$\lvert\phi\rangle_B=\sum_j \beta_j\lvert j\rangle$，则 $$\lvert\psi\rangle\otimes\lvert\phi\rangle=\sum_{i,j}\alpha_i\beta_j\lvert i\rangle\otimes\lvert j\rangle.$$ 在计算基里，张量积对应 Kronecker 积（Numpy 的 `np.kron`）。

纠缠：不是“相关”，而是“不可分解”

若两比特纯态不能写成 $\lvert\psi\rangle_A\otimes\lvert\phi\rangle_B$，则称其纠缠。典型例子： $$\lvert\Phi^+\rangle=\frac{1}{\sqrt2}(\lvert00\rangle+\lvert11\rangle).$$ 它的整体是纯态，但任一子系统都是混态。

部分迹：从整体到子系统的唯一线性方式

对双系统密度矩阵 $\rho_{AB}$，对 $B$ 做部分迹得到 $A$ 的约化态： $$\rho_A=\mathrm{Tr}_B(\rho_{AB}).$$ 在基 $\{\lvert j\rangle_B\}$ 下可写为 $$\rho_A=\sum_j (I_A\otimes\langle j\vert)\ \rho_{AB}\ (I_A\otimes\lvert j\rangle).$$ 对 $\lvert\Phi^+\rangle$： $$\rho_{AB}=\lvert\Phi^+\rangle\langle\Phi^+\rvert\ \Rightarrow\ \rho_A=\mathrm{Tr}_B(\rho_{AB})=\frac{I}{2}.$$ 工程意义：当你在硬件上只读出部分量子比特时，其余比特的存在与纠缠会通过约化态影响你能看到的统计；这也是为什么“忽略未测比特”等同于对其做部分迹，而不是“把它当作某个确定值”。

---

测量：从投影测量到 POVM

测量是把态映射为经典结果的过程，也是理论与实验对接的关键接口。本节的主线是：Born 规则给出概率，测量算符给出后测态，POVM 提供最一般的工程模型。

投影测量与 Born 规则（Projective Measurement）

给定一组正交投影 $\{\Pi_m\}$，满足 $\Pi_m\Pi_n=\delta_{mn}\Pi_m$ 与 $\sum_m\Pi_m=I$。对态 $\rho$：

• 结果 $m$ 的概率：

$$p(m)=\mathrm{Tr}(\Pi_m\rho).$$

• 若得到结果 $m$，Lüders 更新（理想投影）：

$$\rho\ \mapsto\ \rho_m=\frac{\Pi_m\rho\Pi_m}{\mathrm{Tr}(\Pi_m\rho)}.$$

单比特在 $Z$ 基测量对应 $\Pi_0=\lvert0\rangle\langle0\rvert$，$\Pi_1=\lvert1\rangle\langle1\rvert$。若 $\lvert\psi\rangle=\alpha\lvert0\rangle+\beta\lvert1\rangle$，则 $p(0)=|\alpha|^2,\ p(1)=|\beta|^2$。

POVM：把“非理想测量”和“有效测量”写进公式

工程测量往往不是理想投影：读出链路有噪声、存在误判；或者你实现的是某种“有效测量”（先做耦合与丢弃，再读出）。最一般的测量用 POVM 表示：一组正半定算符 $\{E_m\}$，满足 $$E_m\succeq 0,\quad \sum_m E_m=I.$$ 概率仍由 Born 形式给出： $$p(m)=\mathrm{Tr}(E_m\rho).$$

POVM 与“后测态”可通过 Kraus 算子 $\{M_m\}$ 连接： $$E_m=M_m^\dagger M_m,\quad \rho\mapsto \rho_m=\frac{M_m\rho M_m^\dagger}{\mathrm{Tr}(E_m\rho)}.$$ 不同的 $\{M_m\}$ 可能对应相同的 $\{E_m\}$（信息相同但扰动不同），这在工程上体现为“同样的统计读数，可能来自不同的物理实现”。

例：含读出误差的 $Z$ 测量（两结果 POVM） 设真实结果为 $0/1$，但读出会翻转：$0\to1$ 概率 $\epsilon_{01}$，$1\to0$ 概率 $\epsilon_{10}$。那么“你看到的结果”对应的 POVM 为 $$ E_0=(1-\epsilon_{01})\lvert0\rangle\langle0\rvert+\epsilon_{10}\lvert1\rangle\langle1\rvert,\quad E_1=\epsilon_{01}\lvert0\rangle\langle0\rvert+(1-\epsilon_{10})\lvert1\rangle\langle1\rvert. $$ 它满足 $E_0+E_1=I$，且能直接用于预测含读出误差的统计。

---

态制备与测量误差（SPAM）：实验统计如何进入理论

真实量子处理器里，误差常被粗略分为：

• **态制备误差（SP）**：你以为制备了 $\lvert0\rangle$，实际是更一般的 $\rho_\text{prep}$（含热激发、残余相干、泄漏等）。
• **测量误差（M）**：读出链路把真实结果映射为错误的经典比特。
• **采样噪声（shot noise）**：即使系统完美，有限重复次数也导致统计波动。

shot 数与置信区间：为什么 $1/\sqrt{N}$ 无处不在

若某事件真实概率为 $p$，重复测量 $N$ 次，观测到的频率 $\hat p$ 服从近似方差 $$\mathrm{Var}(\hat p)\approx \frac{p(1-p)}{N} \le \frac{1}{4N}.$$ 因此误差条量级为 $O(1/\sqrt{N})$。工程上常用经验：要把统计误差压到 $1\%$ 量级，通常需要 $N\sim 10^4$ 次测量；若只做 $N=1000$ 次，最理想情况下的标准差下界也约为 $1.6\%$。

读出混淆矩阵与误差缓解（最小二乘/矩阵求逆）

对两结果测量，可用混淆矩阵 $C$ 描述“真实分布 $\mathbf{p}$ 到观测分布 $\mathbf{q}$”： $$ \mathbf{q}=C\mathbf{p},\quad C= \begin{pmatrix} 1-\epsilon_{01} & \epsilon_{10}\\ \epsilon_{01} & 1-\epsilon_{10} \end{pmatrix}. $$ 标定得到 $C$ 后，可做一阶读出误差缓解：$\hat{\mathbf{p}}=C^{-1}\mathbf{q}$（必要时加约束投影到概率单纯形，以避免数值放大导致负概率）。这一思想会在后续“误差缓解与表征”章节反复出现：先把误差写成线性映射，再在可控范围内反演或校正。

下面用一个流程图把“态—演化—测量—统计—反演”的工程闭环串起来：

```mermaid graph TD A[制备 rho_prep] --> B[酉演化 U 或噪声通道] B --> C[有效测量 POVM {E_m}] C --> D[重复 N 次采样 得到频率 q] D --> E[混淆矩阵/模型校正 得到 p_hat] E --> F[估计期望值/重建 rho/验证电路] ```

---

实践案例：用 Python/Numpy 实现单比特演化与测量统计

本节建议你边读边运行（本书后续章节也默认你具备这种“可执行阅读”能力）。以下示例只依赖 `numpy`。

例 1：$R_y(\theta)$ 旋转后的 $Z$ 基测量统计

我们从 $\lvert0\rangle$ 出发，施加 $R_y(\theta)=e^{-i\theta\sigma_y/2}$，再在 $Z$ 基测量。理论上末态为 $$\lvert\psi\rangle=\cos\frac{\theta}{2}\lvert0\rangle+\sin\frac{\theta}{2}\lvert1\rangle,$$ 所以 $p(1)=\sin^2(\theta/2)$。

```python import numpy as np

基态 |