基于可控玻色子变分传感器网络的量子增强学习

量子传感器网络的出现为增强复杂传感任务提供了机会，同时由于纠缠和物理过程的复杂性质，在设计和分析量子传感协议方面带来了重大挑战。基于纠缠传感器网络的监督学习（SLAEN）[Phys. Rev. X 9, 041023 (2019)]代表了一种通过变分量子机器学习自动化传感器网络设计的有前途的范式。然而，原始的SLAEN受限于量子电路的高斯性质，只能学习线性可分数据。利用腔QED实验中可用的通用量子控制，我们提出了一种能够处理非线性数据分类任务的广义SLAEN。我们建立了一个物理层数据分类的理论框架来支持我们的方法。通过训练量子探针和测量，我们在各种任务中发现了分类误差的阈值现象——当探针能量超过某个阈值时，误差急剧降至零，比高斯SLAEN有显著改进。尽管问题是非高斯的，我们提供了在存在噪声时确定阈值和残余误差的分析见解。我们的发现对射频光子传感器和微波暗物质晕镜具有重要意义。