机器学习算法提高了量子传感器的性能

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。但是量子传感器需要定期表征和校准。这种校准是一项极其复杂且资源密集型的任务，机器学习算法提供了一种强大的工具来解决这种复杂性，例如强化学习(RL)算法。

但之前在量子实验中使用的RL算法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。现在，来自罗马第一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，将可能的应用范围扩大到自适应多相估计。

他们实验性地使用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，该网络在每次测量后更新贝叶斯后验概率分布。它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情况下通过他们的实验数据协议获得的增强性能，并将其与非自适应策略进行比较，实现了更好的估计。

来源：Phys.org