来源论文: https://arxiv.org/abs/2606.07797v1 生成时间: Jun 09, 2026 18:54

帕拉米特驱动下纵向耦合超导量子比特的 Floquet 纠缠动力学：广义 Van Vleck 微扰论与相干纠缠销毁 (CDE) 深度解析

0. 执行摘要

在高保真度量子计算和量子信息处理中，实现鲁棒、高保真的量子纠缠生成与精确控制是构建可扩展超导量子处理器的核心瓶颈。传统的纠缠生成方案通常依赖于将系统共振激发至特定的纠缠本征态，这种方法对环境噪声、驱动频率和振幅的抖动高度敏感。近年来，基于参数化驱动（Parametric Driving）的非共振或多光子共振调控技术，因其在抑制静态串扰（Static Crosstalk）和实现快速可调门（如 Transmon 和 Fluxonium 体系）方面的卓越表现，成为量子芯片工程化设计的核心热点。

本博客针对最新研究论文《Floquet Entanglement Generation in Parametrically Driven Coupled Superconducting Qubits》进行深度技术拆解。该工作系统性地研究了两个通过参数化驱动纵向相互作用（Longitudinal Interaction）耦合的超导量子比特系统，探索了系统自可分基态（Separable Ground State）演化时的非平庸纠缠动力学行为。研究表明：

1. 非平庸纠缠生成机制：除了传统的“可分-纠缠”共振（Separable-Entangled Resonances, SER）外，还存在一种更为高效且鲁棒的“可分-可分”共振（Separable-Separable Resonances, SSR）机制。在此机制下，驱动频率的整数倍匹配两个初始可分本征态之间的能量差，通过周期性驱动将两个初始可分状态进行非平庸混合。
2. 旋转波近似（RWA）的失效与广义 Van Vleck（GVV）微扰论的成功：在纯 SSR 条件下，传统的 RWA 预测的跃迁概率伪迹性地归零，无法解释物理现象。研究引入了 GVV 准简并微扰理论，构建了二阶有效哈密顿量，完美解析了由于高阶虚拟跃迁介导的有效 Floquet 状态杂化（Hybridization）过程。
3. 相干纠缠销毁（Coherent Destruction of Entanglement, CDE）：研究发现，在特定的驱动振幅下，有效的 Floquet 耦合参数 $u$ 会精确归零（对应于非整数阶贝塞尔函数的根），从而导致系统即便存在物理相互作用，其动态生成的纠缠度也会被完全抑制。这一现象被称为 CDE，是相干隧穿销毁（CDT）在多体纠缠动力学中的重要拓展。

下文将面向物理学、量子化学和量子信息领域的科研人员，深度剖析其背后的理论框架、物理机制、数值计算方法及复现指南。

1. 核心科学问题，理论基础，技术难点，方法细节

1.1 核心科学问题：纵向参数化驱动哈密顿量

在超导电路中，两个超导量子比特（双能级系统，TLS）的纵向耦合可以通过参数化驱动进行谐波调制。考虑系统哈密顿量 $H(t) = H_0 - \frac{1}{2} J(t) \sigma_z^{(1)} \otimes \sigma_z^{(2)}$，其中静态哈密顿量 $H_0$ 为：

这里，$\epsilon_j$ 是量子比特 $j$ 的去谐能（Detuning Energy），$\Delta_j$ 是隧道分裂（Tunnel Splitting），$\sigma_z^{(j)}$ 和 $\sigma_x^{(j)}$ 是 Pauli 算符。静态纵向耦合强度为 $J_0$。参数化简振驱动定义为：

其中 $A$ 为驱动振幅，$\omega$ 为角频率，$\varphi_0 = \omega t_0$ 是初始相位。

1.2 理论基础与物理机制：SSR vs SER

当系统从初始可分基态 $|\phi_0\rangle$ 开始演化时，交流驱动会引导状态在 $H_0$ 的本征态之间发生布居数转移。根据能量匹配条件，可以区分两种根本不同的共振机制（如图 2 所示）：

1. 可分-纠缠共振（SER）： $$\epsilon_0 \pm J_0 \approx n\omega \quad (n \in \mathbb{Z})$$ 这种机制对应于布居数从初始可分基态直接转移到激发的最大纠缠态。由于其本质是双能级间的 Rabi 振荡，系统平均有一半时间处于纠缠态，一半时间处于可分态，导致时间平均纠缠度限制在 $\bar{C} < 0.5$ 以下，且共振峰极窄，对参数变化极为敏感。
2. 可分-可分共振（SSR）： $$2\epsilon_0 \approx n\omega \quad (n \in \mathbb{Z})$$ 这种共振发生在驱动频率的倍数匹配两个几乎可分的本征态之间的能量差时。在 SSR 机制下，系统能在宽参数范围内维持极高的纠缠度（时间平均纠缠度 $\bar{C} \approx 0.75$），具有极强的鲁棒性。

1.3 技术难点：标准旋转波近似（RWA）的失效

对于纯 SSR 条件（即满足 $2\epsilon_0 = n\omega$ 但 $\epsilon_0 \pm J_0 \neq m\omega$），由于纯纵向参数驱动无法在没有高能级纠缠态（如 $|T_0\rangle$ 和 $|S\rangle$）参与的虚拟跃迁（Virtual Transitions）情况下直接耦合两个可分状态 $|T_+\rangle$ 和 $|T_-\rangle$，经典的 RWA 处理会预测跃迁概率为零（参见论文 Appendix B 证明）。

为了捕获这一高阶动力学行为，必须借助比 RWA 更加精细的高阶微扰框架——广义 Van Vleck (GVV) 准简并微扰理论。

1.4 方法细节：Floquet 理论与 GVV 微扰论的融合

1.4.1 Sambe 空间（Sambe Space）表征

由于哈密顿量满足周期性 $H(t) = H(t+T)$（$T = 2\pi/omega$），可以利用 Floquet 定理，将随时间变化的 Schrödinger 方程映射到静态的 Sambe 空间 $\mathcal{H} \otimes \mathcal{T}$。在此空间中，Floquet 哈密顿量定义为：

引入双狄拉克符号（Double Ket）$|u_{\nu, n}\rangle\rangle = |u_{\nu}(t)\rangle e^{in\omega t}$，其中 $n$ 对应于光子副本数。将静态部分 $H_0$ 作为无微扰哈密顿量 $\mathcal{H}_0$，将横向隧道项（Tunneling Terms）$\Delta_j$ 视为微扰 $\mathcal{V}$。通过在计算基底 $\{|\uparrow\uparrow\rangle, |\uparrow\downarrow\rangle, |\downarrow\uparrow\rangle, |\downarrow\downarrow\rangle\}$ 下展开，避免了三重态-单态基底中繁琐的线性组合。

无微扰的 Floquet 本征态和本征能量为：

其中 $\mathcal{J}_n$ 是第一类贝塞尔函数，$\eta_\alpha = +1$ 对应于 $\alpha \in \{\uparrow\uparrow, \downarrow\downarrow\}$，$\eta_\alpha = -1$ 对应于 $\alpha \in \{\uparrow\downarrow, \downarrow\uparrow\}$。

1.4.2 GVV 二阶有效哈密顿量推导

在靠近 $n$ 光子 SSR 简并点（$\varepsilon_{\uparrow\uparrow, 0}^{(0)} \approx \varepsilon_{\downarrow\downarrow, -n}^{(0)}$）时，GVV 理论通过酉变换 $e^{iS}$ 去耦简并子空间。在基底 $\{|u_{\uparrow\uparrow, 0}^{(0)}\rangle\rangle, |u_{\downarrow\downarrow, -n}^{(0)}\rangle\rangle\}$ 下，二阶有效哈密顿量为：

利用 Newberger 求和规则（Newberger Sum Rule）：

我们将复杂的无限求和解析地化简为含非整数阶贝塞尔函数的紧凑形式：

通过对 $H_{GVV}$ 对角化，可以精确解出二阶拟能量（Quasienergies）分立：

以及时间平均布居跃迁概率：

这完美地将动力学行为转化为一个等效的两能级动力学问题，其中 $u$ 作为交流驱动诱导的有效耦合强度，$\delta_{\uparrow\uparrow} - \delta_{\downarrow\downarrow}$ 作为动力学 Stark 漂移。这一优雅的微扰理论不仅克服了 RWA 的局限性，还为 CDE 提供了坚实的解析基础。

2. 关键 Benchmark 体系，计算所得数据，性能数据

2.1 体系参数设置

为了使物理现象具有普适性且易于在固态超导量子芯片中实现，研究采用了以下归一化参数：

2.2 核心数值计算数据与对比分析

2.2.1 静态与动态相图对比（图 1 与 图 2）

• 静态系统：在无驱动时，当 $J_0/\omega > 1$ 时基态纠缠度快速衰减至 $C \approx 0$（可分态相区）。
• 动态系统：当引入振幅为 $A/\omega = 3.8$ 的驱动时，在 $J_0/\omega > 1$ 区域出现鲜明的纠缠生成带：
  • SER 条件（$\epsilon_0 \pm J_0 \approx n\omega$）：呈现斜线分布。对于非共振点 $\epsilon_0/\omega = 1.11$，仅在特定的 $J_0$ 处出现极窄的纠缠峰，且高度 $\bar{C} < 0.5$（图 2(b) 黑色曲线）。
  • SSR 条件（$2\epsilon_0 \approx n\omega$）：呈现水平带状。对于共振点 $\epsilon_0/\omega = 1.0$（对应 $n=2$ 简并），纠缠度在极宽的 $J_0$ 范围内保持 $\bar{C} \approx 0.75$（图 2(b) 红色曲线），展示出优异的工程容错性。

2.2.2 拟能量与跃迁概率（图 5）

在 $\epsilon_0/\omega = 1.0$ 和 $J_0/\omega = 2.5$ 体系下，对不同的 $A/\omega$ 进行扫描，对比了精确数值模拟（Num）与广义 Van Vleck 理论（GVV）：

• 拟能量分立（$\varepsilon_{\downarrow\downarrow} - \varepsilon_{\uparrow\uparrow}$）：在 $A/\omega \in [0, 10]$ 范围内，GVV 微扰理论计算的曲线（红虚线）与精确对角化（黑实线）完全重合（图 5(a)），误差小于 $10^{-4}$。
• 跃迁概率 $\bar{P}_{01}$：当 $\delta_{\uparrow\uparrow} - \delta_{\downarrow\downarrow} = 0$ 时，理论预测 $\bar{P}_{01}$ 达到极大值 $0.5$。数值结果精确验证了这一极大值点（如在 $A/\omega \approx 2.4, 5.5, 8.6$ 处）。
• 零点对齐：当且仅当有效耦合 $u = 0$ 时，跃迁概率 $\bar{P}_{01}$ 精确归零，即发生 CDE（相干纠缠销毁）（如在 $A/\omega \approx 1.4, 3.8, 4.6$ 处）。

2.2.3 纠缠生成的解析表达验证（图 6）

通过对波函数进行 Floquet 基底展开，推导出双时间平均纠缠度的闭合解析表达式：

其中 $C_F = |\sin \theta|$ 是主导 Floquet 态的固有并发度。图 6(b) 绘制了该解析解与数值模拟的对比，两条曲线在整个振幅区间内契合度极高，充分证实了动力学纠缠完全由两个主导的纠缠 Floquet 状态控制：

• 当 $\theta \to 0$（即 $u \to 0$）时，由于有效耦合消失，$C_F \to 0$，进而导致整体平均纠缠度 $\bar{C} \to 0$（CDE 现象）。
• 当 $C_F \approx 0.834$ 时，$\bar{C}$ 达到全局最大值 $\bar{C}_{max} \approx 0.763$。此时，相干振荡的破坏性干涉被最大程度地抑制。

3. 代码实现细节，复现指南，所用的软件包及开源 repo link

为了便于科研人员快速复现论文的核心结论（特别是图 5 和 图 6 中的数值模拟与 GVV 解析对比），本节提供了一份基于 Python 的完整数值模拟复现方案。

3.1 核心依赖软件包

复现代码基于以下开源量子计算与科学计算库：

• QuTiP (Quantum Toolbox in Python): 用于构建系统哈密顿量、执行时变薛定谔方程求解（mesolve）和 Floquet 态分析（Floquet）。GitHub Repository
• NumPy & SciPy: 用于高性能矩阵运算及非整数阶贝塞尔函数（scipy.special.jv）的计算。
• Matplotlib: 用于高质量学术图表的绘制。

3.2 完整复现 Python 脚本

import numpy as np
import matplotlib.pyplot as plt
from scipy.special import jv
from qutip import sigmax, sigmaz, tensor, identity, mesolve, Qobj

# ========================================== #
# 1. 物理参数定义
# ========================================== #
omega = 1.0
epsilon0 = 1.0 * omega
Delta1 = 0.1 * omega
Delta2 = 0.15 * omega
J0 = 2.5 * omega
T = 2 * np.pi / omega

# 算符定义
s_x = sigmax()
s_z = sigmaz()
eye = identity(2)

sz1 = tensor(s_z, eye)
sz2 = tensor(eye, s_z)
sx1 = tensor(s_x, eye)
sx2 = tensor(eye, s_x)
sz_sz = tensor(s_z, s_z)
sy_sy = tensor(qutip.sigmay(), qutip.sigmay())

# 静态哈密顿量 H0
H0 = -0.5 * (epsilon0 * sz1 + Delta1 * sx1 + epsilon0 * sz2 + Delta2 * sx2) - 0.5 * J0 * sz_sz

# ========================================== #
# 2. GVV 解析计算函数
# ========================================== #
def gvv_predictions(A_list):
    u_list = []
    delta_diff_list = []
    for A in A_list:
        z = A / omega
        # 计算非整数阶贝塞尔函数的阶数
        order_plus = (epsilon0 + J0) / omega
        order_minus = (epsilon0 - J0) / omega
        
        # 有效耦合强度 u
        u_val = (Delta1 * Delta2 * np.pi * (-1)**(-2*epsilon0/omega)) / \
                (2 * omega * np.sin((epsilon0 + J0)*np.pi/omega)) * \
                jv(order_minus, z) * jv(order_plus, z)
        
        # 动力学 Stark 漂移
        delta_up = - (Delta1**2 + Delta2**2) * np.pi / \
                   (4 * omega * np.sin((epsilon0 + J0)*np.pi/omega)) * \
                   jv(-order_plus, z) * jv(order_plus, z)
        
        delta_down = (Delta1**2 + Delta2**2) * np.pi / \
                     (4 * omega * np.sin((epsilon0 - J0)*np.pi/omega)) * \
                     jv(-order_minus, z) * jv(order_minus, z)
        
        u_list.append(u_val)
        delta_diff_list.append(delta_up - delta_down)
        
    u_list = np.array(u_list)
    delta_diff_list = np.array(delta_diff_list)
    P01_gvv = 2 * u_list**2 / (delta_diff_list**2 + 4 * u_list**2)
    C_F_gvv = np.abs(2 * u_list / np.sqrt(delta_diff_list**2 + 4 * u_list**2))
    
    # 利用公式 D10 计算时间平均纠缠度 C_bar
    C_bar_gvv = (2.0 / np.pi) * (C_F_gvv + (1.0 - C_F_gvv**2) * np.arctanh(C_F_gvv + 1e-15))
    return u_list, delta_diff_list, P01_gvv, C_bar_gvv

# ========================================== #
# 3. 动态时间演化与纠缠计算 (QuTiP 数值求解)
# ========================================== #
def run_numerical_simulation(A, t_max=700*T, num_phases=32):
    # 初始化状态为 H0 的基态 (几乎等同于 |uparrow uparrow>)
    eigenvals, eigenstates = H0.eigenstates()
    psi0 = eigenstates[0]
    
    times = np.linspace(0, t_max, 1000)
    C_accumulator = 0.0
    P01_accumulator = 0.0
    
    # 时变哈密顿量形式: H(t) = H0 - 0.5 * A * cos(omega * t + phi) * sz_sz
    for phi in np.linspace(0, 2*np.pi, num_phases, endpoint=False):
        # 修正：将参数化驱动作为时变扰动引入
        h_t = [H0, [-0.5 * sz_sz, lambda t, args: args['A'] * np.cos(omega * t + args['phi'])]]
        args = {'A': A, 'phi': phi}
        
        result = mesolve(h_t, psi0, times, args=args, options=qutip.SolverOptions(nsteps=5000))
        
        # 计算时间平均并发度 C
        concurrences = []
        p01_runs = []
        for state in result.states:
            # 计算 Concurrence
            C = qutip.concurrence(state)
            concurrences.append(C)
            
            # 计算向激发态 |phi1> 的跃迁概率 (对应于本征态 1)
            p01 = np.abs(state.overlap(eigenstates[1]))**2
            p01_runs.append(p01)
            
        C_accumulator += np.mean(concurrences)
        P01_accumulator += np.mean(p01_runs)
        
    return C_accumulator / num_phases, P01_accumulator / num_phases

# ========================================== #
# 4. 绘图对比
# ========================================== #
if __name__ == "__main__":
    A_space = np.linspace(0.1, 10.0, 50)
    u_gvv, delta_gvv, P01_gvv, C_bar_gvv = gvv_predictions(A_space)
    
    # 运行几个具有代表性的数值点以加快演示，科研中可以提高采样率
    num_pts = 10
    A_num_space = np.linspace(0.1, 10.0, num_pts)
    C_num = []
    P01_num = []
    print("开始数值计算...（可能需要几分钟）")
    for i, A_val in enumerate(A_num_space):
        c_val, p_val = run_numerical_simulation(A_val, t_max=100*T, num_phases=8)
        C_num.append(c_val)
        P01_num.append(p_val)
        print(f"进度: {i+1}/{num_pts} (A={A_val:.2f})")
        
    # 绘图
    fig, ax = plt.subplots(2, 1, figsize=(8, 10))
    
    # 图 (a) 跃迁概率对比
    ax[0].plot(A_space, P01_gvv, 'r--', label='GVV Analytical')
    ax[0].plot(A_num_space, P01_num, 'ko', label='Numerical Sim')
    ax[0].set_ylabel(r'Transition Probability $ar{P}_{01}$')
    ax[0].set_xlabel(r'Drive Amplitude $A/\omega$')
    ax[0].set_title('Transition Probability and CDE verification')
    ax[0].legend()
    ax[0].grid(True)
    
    # 图 (b) 平均纠缠度 C_bar 对比
    ax[1].plot(A_space, C_bar_gvv, 'r--', label='GVV Analytical')
    ax[1].plot(A_num_space, C_num, 'ko', label='Numerical Sim')
    ax[1].set_ylabel(r'Average Concurrence $ar{C}$')
    ax[1].set_xlabel(r'Drive Amplitude $A/\omega$')
    ax[1].set_title('Average Concurrence and CDE suppression')
    ax[1].legend()
    ax[1].grid(True)
    
    plt.tight_layout()
    plt.savefig('reproduced_results.png')
    plt.show()

4. 关键引用文献，以及你对这项工作局限性的评论

4.1 关键引用文献

1. Wootters 纠缠测度：W. K. Wootters, Phys. Rev. Lett. 80, 2245 (1998). 该文献定义了并发度（Concurrence） $C$，是定量表征本研究中纯态及混合态纠缠度的数学基石。
2. Floquet 方法奠基工作：J. H. Shirley, Phys. Rev. 138, B979 (1965). 该工作首次将周期时变哈密顿量问题转化为 Sambe 空间中的静态无限维矩阵特征值问题。
3. 相干隧穿销毁 (CDT)：F. Grossmann, T. Dittrich, P. Jung, and P. Hänggi, Phys. Rev. Lett. 67, 516 (1991). 提出了cdt概念，即通过强交变场抑制粒子在双阱中的跃迁，为 CDE 的发现奠定了物理类比基础。
4. 参数驱动与超导比特耦合：D. Weiss, et al., PRX Quantum 3, 040336 (2022); H. Zhang, et al., PRX Quantum 5, 020326 (2024). 提供了在通量比特（Fluxonium）中实现高保真度参数化调控的最新实验进展。

4.2 本工作局限性之独家学术评论

尽管该论文在理论推导和物理图像上构建得极为优雅，但在将其应用于真实的量子计算硬件时，以下局限性不容忽视：

1. 忽视了退相干机制（开放系统行为）： 论文完全基于封闭系统的薛定谔方程和理想的 Floquet 态演化。在实际的超导线路中，纵向相互作用和高强度交流驱动往往伴随着非平庸的解禁（Dephasing）和弛豫（Relaxation）通道。特别地，周期性驱动会引入所谓的“Floquet 耗散态”，使系统与周围的低频电荷/通量噪声（$1/f$ 噪声）发生杂化，降低门保真度。后续研究需要采用 Floquet-Born-Markov 主方程对系统的退相干行为进行评估。
2. 多能级系统（Leakage）的截断误差： 论文将超导量子比特严格简化为两能级系统（TLS）。但在主流超导处理器中，无论是 Transmon 的微弱非简谐性（Anharmonicity），还是 Fluxonium 在高频驱动下的非计算能级（如第三本征态 $|2\rangle$），均存在不容忽视的能级泄露（Leakage）。当驱动振幅 $A/\omega \approx 10$ 处于强驱动极限时，高能级泄露会严重破坏 GVV 的二阶近似前提。
3. 多比特扩展性的挑战： GVV 理论在处理双比特时计算十分简便，但若将其扩展到多比特架构（如一维超导比特链），构建高阶微扰的 Sambe 空间矩阵会遭遇“指数爆炸”的技术瓶颈，同时多体系统的 Floquet 准能谱会发生类似混沌（Chaotic）的无规交叉，这将使得解析调控规律（如寻找 CDE 的精准零点）变得极其困难。

5. 其他必要的补充：CDE 与 CDT 的深度交叉对比

为了更好地在理论上理解“相干纠缠销毁（CDE）”，我们需要将它与凝聚态物理中经典的“相干隧穿销毁（CDT）”进行深度对比：

这一对比揭示了一个深刻的物理事实：纠缠的相干控制比粒子输运的相干控制具有更高的容错度和自由度。在 CDE 机制下，即使系统的静态能谱由于不可避免的杂化（Avoided Crossing）而出现分裂，我们依然能够通过精细调节交流驱动的振幅 $A$，利用二阶有效动力学精确抹除双比特之间的量子纠缠。这为未来设计可按需关断的超导量子比特耦合器（Coupler）提供了一种全新的动力学设计路径。