机器学习赋能的三角Delta系统中plaquette相的量子传感

我们提出了一种机器学习赋能的方法，用于量子传感plaquette相，这是三能级$\Delta$系统中出现的一种规范不变量。该相深刻影响系统动力学，打破相干布居俘获并诱导动力学产生非平凡的相位依赖性。我们证明，在监督学习框架中训练的多层感知器（MLP）可以从不同驱动条件下测量的STIRAP（受激拉曼绝热通道）布居转移效率中准确估计plaquette相，这些效率提供了实验上可观测的量。我们的结果强调了相干控制和机器学习（ML）的结合如何在闭环量子系统中实现有效的相位识别，为量子技术开辟了新的视角，特别是包括合成规范场在内的量子传感应用。