模型感知强化学习在贝叶斯量子计量学中的应用
量子物理
2024-10-18 v1
摘要
量子计量学和传感器领域的一个重要实际问题是寻找量子探针的最优控制序列，以实现最优自适应估计。在 Belliardo et al., arXiv:2312.16985 (2023) 中，我们通过引入一种将模型感知强化学习与贝叶斯推断相结合的流程，能够优化量子计量学和估计中的广泛任务，从而一般性地解决了这个问题。我们采用基于模型的优化方法，其中描述系统的物理学通过自动微分在训练中被明确考虑。在这篇后续论文中，我们介绍了该框架的一些应用。第一类示例涉及金刚石中电子自旋的磁场、超精细相互作用和退相干时间的估计。对于这些示例，我们对自旋进行多次 Ramsey 测量。第二类应用涉及光子电路上的相位和相干态估计，其中没有压缩元件，玻色子线由光子计数器测量。本论述展示了该方法的广泛适用性，该方法已在发布于 PyPI 的 qsensoropt 库中实现，可通过 pip 安装。
引用
@article{arxiv.2403.05706,
title = {Applications of model-aware reinforcement learning in Bayesian quantum metrology},
author = {Federico Belliardo and Fabio Zoratti and Vittorio Giovannetti},
journal= {arXiv preprint arXiv:2403.05706},
year = {2024}
}
备注
35 pages, 16 figures