量子传感的深度学习

用集成光子量子传感器进行自适应多相估计的机器学习。资料来源：Cimini等人，doi 10.1117/1.AP.5.1.016005。

量子传感是量子技术最有前途的应用之一，其目的是利用量子资源来提高测量灵敏度。特别是，光相传感是研究最多的问题之一，被认为是开发大规模生产的技术设备的关键。

量子传感器的最佳使用需要定期的特性化和校准。一般来说，这种校准是一项极其复杂和资源密集型的任务--特别是当考虑到估计多个参数的系统时，由于所需测量的数量巨大，以及分析这些测量所需的计算时间。机器学习算法为解决这种复杂性提供了一个强有力的工具。发现合适的算法使用协议对于开发精确量子增强测量的传感器至关重要。

一种特殊类型的机器学习算法被称为 "强化学习"（RL），它依赖于一个由奖励引导的智能代理。根据它收到的奖励，它学会了执行正确的行动，以实现预期的优化。使用RL算法对量子问题进行优化的第一个实验性实现只是最近才被报道的。它们中的大多数仍然依赖于描述系统的模型的先验知识。所希望的是完全无模型的方法，当代理人的奖励不取决于明确的系统模型时，这是有可能的。

实施深度学习协议的方案。有限数量的量子探针状态被送入被视为黑盒子的传感器。收集测量结果的网格来训练一个神经网络，该网络学习与单一测量贝叶斯更新相关的后验概率分布。这种分布被用来定义RL代理的奖励，该代理在黑盒子设备上设置控制阶段。资料来源：Cimini等人，doi 10.1117/1.AP.5.1.016005。

据《先进光子学》杂志报道，来自罗马萨皮恩扎大学物理系和光子学与纳米技术研究所（IFN-CRN）的一个研究小组最近开发了一种无模型方法，将可能的应用范围扩大到自适应多相估计。该团队在一个高度可重构的集成光子平台上展示了其无模型方法的有效性。他们在实验中采用RL算法来优化多个参数的估计，并将其与一个深度神经网络相结合，在每次测量后更新贝叶斯后验概率分布。

该协议以完全黑箱的方式处理量子多参数传感器，因为在任何一步都不需要系统功能模型。重要的是，该团队证明了他们的协议在资源有限的情况下通过实验数据获得的增强性能，并与非自适应策略进行了比较，实现了明显更好的估计。

据通讯作者、量子实验室负责人Fabio Sciarrino说："我们团队开发的协议为实现完全基于人工智能的量子传感器提供了一个重要的步骤。"

参考资料：Valeria Cimini等, Deep reinforcement learning for quantum multiparameter estimation, Advanced Photonics (2023). doi: 10.1117/1.ap.5.1.016005

本文由光电查搜集整理，未经同行评议，请自行判断可信度。仅供学习使用。