面向宽范围单电子量子磁感测的两阶段优化方法

基于自旋系统的量子磁感测已成为检测极弱磁场的新范式，具有前所未有的灵敏度，为导航、地理定位、生物学等领域注入了新的活力。在量子磁感测的协议层面，核心在于设计最优感测参数，以显现并估计感兴趣的信号（SoI）。现有研究主要依赖基于黑箱AI模型的自适应算法或公式驱动的原则搜索方法。然而，当SoI跨越宽广范围且量子传感器受到物理约束时，这些方法可能难以有效或最优地收敛，导致 interrogation 时间延长和感测精度下降。本文报道了一种新型协议的设计，采用两阶段优化方法。在第一阶段，使用具有固定感测参数集的贝叶斯神经网络以缩小SoI的范围。在第二阶段，设计一个联邦强化学习智能体，以在缩小的搜索空间内微调感测参数。该提议方法在单次读取受限总感测时间预算下的NV中心电子自旋只读情境中得到开发和评估；尽管如此，它在宽范围直流磁场估计方面相较于现有技术在准确性和资源效率方面实现了显著提升。