用于量子多参数估计的深度强化学习，可有效现实的贝叶斯量子计量任务且不依赖先验知识

物理量的估计是大多数科学研究的核心，量子设备的使用有望提高其性能。在实际场景中，考虑资源是有限的是基本的，而贝叶斯自适应估计代表了一种在估计过程中有效分配所有可用资源的强大方法。然而，这个框架依赖于系统模型的精确知识，通过精细校准检索，其结果通常在计算和实验上要求很高。

罗马大学（Sapienza University of Rome）的研究人员引入了一种不依赖模型的基于深度学习的方法，来有效地实施现实的贝叶斯量子计量任务来完成所有相关的挑战，而不依赖于系统的任何先验知识。

为了克服这种需要，直接在实验数据上训练神经网络以学习多参数贝叶斯更新。然后通过强化学习算法提供的反馈将系统设置在其最佳工作点，该算法经过训练以重建和增强所研究的量子传感器的实验启发式。

值得注意的是，该团队通过实验证明了比标准方法更高的估计性能，证明了这两种黑盒算法在集成光子电路上的组合强度。

该研究以「Deep reinforcement learning for quantum multiparameter estimation」为题，于 2023 年 2 月 6 日发布在《Advanced Photonics》。

内容中包含的图片若涉及版权问题，请及时与我们联系删除