用于量子传感的深度学习

量子传感代表了量子技术最有前途的应用之一，旨在利用量子资源来提高测量灵敏度。特别是，光学相位的传感是研究最多的问题之一，被认为是开发大规模生产技术设备的关键。

量子传感器的最佳使用需要定期表征和校准。一般来说，这种校准是一项极其复杂和资源密集型的任务，尤其是在考虑用于估计多个参数的系统时，因为所需的测量量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大的工具。发现适合算法使用的协议对于开发用于精确量子增强测量的传感器至关重要。

一种称为“强化学习”(RL)的特定类型的机器学习算法依赖于由奖励指导的智能代理：根据它获得的奖励，它学习执行正确的操作以实现所需的优化。使用RL算法优化量子问题的首次实验实现直到最近才被报道。他们中的大多数仍然依赖于描述系统的模型的先验知识。相反，理想的是一种完全无模型的方法，当代理的奖励不依赖于显式系统模型时，这是可能的。

据AdvancedPhotonics报道，来自罗马Sapienza大学物理系和光子学与纳米技术研究所(IFN-CRN)的一组研究人员最近开发了一种无模型方法，该方法将可能的应用范围扩大到自适应多相位估计。该团队在高度可重构的集成光子平台中展示了其无模型方法的有效性。他们通过实验性地采用RL算法来优化多个参数的估计，并将其与深度神经网络相结合，该深度神经网络在每次测量后更新贝叶斯后验概率分布。

该协议以完全黑盒的方式处理量子多参数传感器，因为在任何步骤都不需要系统功能模型。重要的是，该团队证明了在资源有限的制度下，他们的实验数据方案获得了增强的性能，并将其与非自适应策略进行比较，从而实现了显着更好的估计。

根据通讯作者，量子实验室负责人FabioSciarrino的说法，“我们团队开发的协议为完全基于人工智能的量子传感器迈出了重要的一步。