超越非自适应信息极限的自适应感知：几何、策略与推断的端到端协同设计
光学
2026-04-29 v1 最优化与控制
计算物理
数据分析、统计与概率
量子物理
摘要
逆向设计已使庞大的物理参数空间成为涌现行为的基质。在感知领域，这一原则的影响力在类比-数字边界最为显著，此时硬件未捕获的任何信息，下游算法都无法恢复；因此，硬件优化本身并不足够，几何必须与决定下一步该测量什么的规则协同设计。我们将这种协同设计表述为联合动态规划（joint-DP）：对连续硬件几何和Bellman最优自适应测量策略的单一优化。通过可微分动态规划计算硬件梯度，运用锋利Bellman最大值，依据Envelope定理实现精确无偏；松弛层次结构将通用框架从小规模离散POMDP扩展至像素光子拓扑结构。针对三个案例研究，joint-DP相对于该社区的自然基线取得了大幅优势：在雷达束搜索POMDP上，基于信息上限引导的几何选择损失了的可达自适应价值；在超导量子比特flux传感器上，joint-DP相对于联合贝叶斯Cramér-Rao基线将部署均方误差降低了，且在各自目标下对几何进行数值协同优化；在像素光子介质传感器上，joint-DP通过贝叶斯Fisher信息矩阵替代品将部署均方误差降低了，相对于随机化基线。对于任何硬件仅设计一次但其策略在设备生命周期内运行的传感器，硬件与策略的联合优化是最原则性的做法。
引用
@article{arxiv.2604.25193,
title = {Adaptive Sensing beyond Non-Adaptive Information Limits: End-to-End Co-Design of Geometry, Policy, and Inference},
author = {Arvin Keshvari and William Tuxbury and Zin Lin},
journal= {arXiv preprint arXiv:2604.25193},
year = {2026}
}