qutip

QuTiP（Quantum Toolbox in Python）是一个灵活且高效的量子力学模拟框架，用于模拟开放量子系统的动力学。它便于创建量子对象，并提供强大的求解器来追踪这些对象在封闭和开放环境中的演化。

用途

QuTiP 适用于以下场景：

模拟量子系统的时间演化（薛定谔方程或主方程）
计算开放量子系统的稳态（例如受驱动和耗散的腔）
分析纠缠、Wigner 函数和量子关联
研究光与物质相互作用（Jaynes-Cummings 模型、Rabi 振荡）
脉冲序列优化与量子控制
计算光谱和多时关联函数
跨多个 CPU 并行化量子模拟

主要能力

量子对象（Qobj）

Qobj 是核心数据结构，可表示态（ket 或 bra）、算符或超算符。它自动处理维度并校验运算（例如阻止 ket 与算符相加）。

复合系统

QuTiP 使用 Kronecker 积（tensor）表示由多个子系统组成的系统（例如与谐振腔耦合的量子比特）。

求解器工作流

定义哈密顿量（H）
定义耗散的坍缩算符（C_n）
设置初始态（ρ₀）
定义时间序列（t）
运行求解器（mesolve、sesolve 等）

动力学求解器

主方程（开放系统）：使用 mesolve 配合坍缩算符建模退相干
薛定谔方程：使用 sesolve
含时哈密顿量：使用 [H0, [H1, 'sin(w*t)']] 列表格式以获得速度
稳态与关联：qt.steadystate、qt.spectrum、qt.correlation_2op_1t

可视化

Wigner 函数：qt.wigner(state, xvec, yvec)
Bloch 球：qt.Bloch()

性能优化

默认使用 Scipy 稀疏矩阵；N > 10 时稀疏矩阵基本是必需的
使用 qt.parallel_map 进行参数扫描以利用多 CPU

使用方式

安装：

pip install qutip

标准导入：

import qutip as qt
import numpy as np
import matplotlib.pyplot as plt

基本模式——Rabi 振荡：

import qutip as qt
import numpy as np

# 1. 定义哈密顿量: H = h_bar * omega * sigma_x / 2
omega = 1.0 * 2 * np.pi
H = 0.5 * omega * qt.sigmax()

# 2. 初始态: 自旋向下 (|1>)
psi0 = qt.basis(2, 1)

# 3. 时间点
times = np.linspace(0.0, 10.0, 100)

# 4. 求解薛定谔方程
result = qt.sesolve(H, psi0, times, [qt.sigmaz()])

# 5. 获取期望值
sz_expt = result.expect[0]

量子对象创建与属性：

# Kets 和 Bras
psi = qt.basis(5, 0) # 5 能级系统中的 Ket |0>
bra = psi.dag()      # 伴随 (Bra)

# 算符
a = qt.destroy(10) # 湮灭算符（大小 10）
n = a.dag() * a    # 粒子数算符
sz = qt.sigmaz()   # Pauli Z

# 属性
print(psi.type)    # 'ket'
print(sz.dims)     # [[2], [2]]
print(n.eigenstates()) # 获取本征值和本征向量

复合系统（张量积）：

# 量子比特 (2) + 腔 (10)
sz = qt.sigmaz()
a = qt.destroy(10)

# 仅作用于量子比特的算符
sz_total = qt.tensor(sz, qt.qeye(10))

# 相互作用项: sigma_x * (a + a_dag)
H_int = qt.tensor(qt.sigmax(), a + a.dag())

主方程（开放系统）：

# 参数
kappa = 0.1 # 腔衰减率
H = qt.tensor(qt.sigmax(), qt.qeye(10)) # 哈密顿量
c_ops = [np.sqrt(kappa) * qt.tensor(qt.qeye(2), a)] # 衰减列表
psi0 = qt.tensor(qt.basis(2, 0), qt.basis(10, 0))
times = np.linspace(0, 50, 200)

# 求解
result = qt.mesolve(H, psi0, times, c_ops, [qt.tensor(qt.sigmaz(), qt.qeye(10))])

# 访问期望值
exp_z = result.expect[0]

含时哈密顿量：

# 使用基于字符串的语法（最快）
H0 = qt.sigmax()
H1 = qt.sigmaz()
args = {'w': 0.5}
H_t = [H0, [H1, 'sin(w * t)']]

result = qt.sesolve(H_t, qt.basis(2, 0), times, args=args)

稳态与关联：

# 驱动-耗散系统的稳态
rho_ss = qt.steadystate(H, c_ops)

# 稳态下的期望值
avg_n = qt.expect(a.dag() * a, rho_ss)

# 发射光谱
w_list = np.linspace(0, 10, 100)
spec = qt.spectrum(H, w_list, c_ops, a.dag(), a)

可视化：

# Cat 态的 Wigner 函数
cat = (qt.coherent(20, 2) + qt.coherent(20, -2)).unit()
xvec = np.linspace(-5, 5, 100)
W = qt.wigner(cat, xvec, xvec)

# Bloch 球
b = qt.Bloch()
b.add_states(qt.basis(2, 0))
b.add_states((qt.basis(2,0) + qt.basis(2,1)).unit())
# b.show()

适用场景

Jaynes-Cummings 模型（量子比特-腔）模拟
量子态层析分析（使用 qt.fidelity 计算两个量子态之间的保真度）
计算 G2 关联函数（使用 qt.correlation_2op_1t）
参数扫描（使用 qt.parallel_map）

限制与注意事项

求解器假设 H 是厄米的；若含时代码导致非厄米 H，sesolve 会产生非物理态（范数 ≠ 1）
对于无限系统（如谐振子），需确保 Fock 空间大小（N）足够大以收敛；若光子数分布触及 N 上限，结果无效
张量积时顺序必须一致，否则出现“维度不匹配”错误
避免手动提取数据（state.data.toarray()），除非绝对必要；Qobj 针对稀疏数学进行了优化
不要忽略求解器警告，数值不稳定通常意味着时间步长过大或希尔伯特空间过早截断
不要混用不同维度的希尔伯特空间，除非通过正确的张量积

最佳实践

始终使用内置构造器（basis、coherent 等）而非手动创建数组
在执行张量积前用 .dims 验证维度
将算符传给求解器以计算期望值，而非手动计算
使用适当的 Fock 空间截断（N），检查布居数是否饱和
对含时哈密顿量使用基于字符串的格式以获得最佳性能
监控求解器警告，它们通常指示数值问题
对 N > 10 的系统使用稀疏矩阵（默认）
时间演化后检查态归一化，尤其是自定义求解器
使用 parallel_map 进行参数扫描以利用多 CPU
使用 Wigner 函数和 Bloch 球可视化量子态以获得更深入的洞察

参考文档

官方文档：https://qutip.org/docs/latest/
教程：https://qutip.org/tutorials.html
搜索模式：qutip.Qobj, qutip.mesolve, qutip.wigner, qutip.expect, qutip.basis