基于机器学习的自适应反馈量子计量训练的反馈 Ansatz
量子物理
2020-02-19 v2
摘要
构建利用纠缠与相干性等量子特征以超越标准量子极限的计量方案具有挑战性。我们提出一种用于设计自适应反馈量子计量(AFQM)策略的 ansatz，其大幅缩减了搜索空间。结合马尔可夫反馈假设，对于 N 个探测系统，设计 AFQM 的计算复杂度将从 降至 。通过机器学习（如粒子群优化与导数演化）进行的反馈方案设计因此所需时间短得多，并产生同样良好的不精度标度。我们由此设计了一个 207 体系统的 AFQM。当采用 207 体系统的参数设置且不再进一步训练时，不精度标度在 N > 207 时稳定保持。我们的 ansatz 表明该反馈策略具有内建的抵御量子比特丢失的韧性。针对无噪声场景设计的反馈策略已针对量子比特丢失噪声与相位涨落噪声进行了测试。我们的数值结果证实了反馈策略对这两类噪声的巨大韧性。
引用
@article{arxiv.1910.03181,
title = {Feedback Ansatz for Adaptive-Feedback Quantum Metrology Training with Machine Learning},
author = {Yi Peng and Heng Fan},
journal= {arXiv preprint arXiv:1910.03181},
year = {2020}
}
备注
6 pages, 3 figures, new data of noise resilience added