基于深度强化学习的高效鲁棒纠缠生成用于量子计量
量子物理
2022-08-08 v1
摘要
量子计量利用量子资源与策略来提高未知参数的测量精度。一个关键问题是如何制备适用于超越标准量子极限的高精度测量的量子纠缠态。本文提出一种借助深度强化学习（DRL）寻找最优脉冲序列以加速单轴扭转动力学实现纠缠生成的方案。我们将脉冲序列视为沿一个轴或两个正交轴的 脉冲序列，并通过 DRL 最大化量子 Fisher 信息来确定操作。在有限演化时间内，所制备纠缠态的终极精度界限遵循海森堡极限标度。这些态也可作为 Ramsey 干涉测量的输入态，最终测量精度仍遵循海森堡极限标度。虽然仅沿一个轴的脉冲序列更为简单高效，但使用沿两个正交轴的脉冲序列方案在应对原子数偏差时表现出更好的鲁棒性。我们的 DRL 协议高效且易于在最先进实验中实现。
引用
@article{arxiv.2203.00189,
title = {Efficient and Robust Entanglement Generation with Deep Reinforcement Learning for Quantum Metrology},
author = {Yuxiang Qiu and Min Zhuang and Jiahao Huang and Chaohong Lee},
journal= {arXiv preprint arXiv:2203.00189},
year = {2022}
}
备注
9 pages, 4 figures