通过量子强化学习迈向无临界减速的海森堡极限
量子物理
2025-03-05 v1 机器学习
摘要
量子多体系统的临界基态已成为量子增强传感的重要资源。制备这些态的传统方法通常依赖于绝热演化，这可能会削弱量子传感的优势。在这项工作中，我们针对具有奇特相图的量子多体系统，提出了一种量子强化学习（QRL）增强的临界传感协议。从乘积态出发并利用 QRL 发现的门序列，我们探索了在未知外部磁场存在时的传感精度，涵盖了局部和全局两种机制。我们的结果表明，QRL 学习到的序列达到了有限的量子速度极限，并在任意大小的系统中有效泛化，确保了无论制备时间长短都能保持精度。即使在具有实用泡利测量的噪声环境中，该方法也能稳健地达到海森堡和超海森堡极限。我们的研究突出了 QRL 在实现精确量子态制备方面的有效性，从而推动了可扩展、高精度的量子临界传感。
引用
@article{arxiv.2503.02210,
title = {Towards Heisenberg limit without critical slowing down via quantum reinforcement learning},
author = {Hang Xu and Tailong Xiao and Jingzheng Huang and Ming He and Jianping Fan and Guihua Zeng},
journal= {arXiv preprint arXiv:2503.02210},
year = {2025}
}