机构名称：
¥ 1.0
摘要。物理量的估计是大多数科学研究的核心，而量子设备的使用有望提高其性能。在实际场景中，必须考虑到资源是有限的，而贝叶斯自适应估计是一种在估计过程中有效分配所有可用资源的强大方法。然而，这个框架依赖于通过精细校准获得的系统模型的精确知识，其结果通常在计算和实验上要求很高。我们引入了一种无模型和基于深度学习的方法来有效地实现现实的贝叶斯量子计量任务，完成所有相关挑战，而不依赖于任何系统的先验知识。为了满足这一需求，直接在实验数据上训练神经网络以学习多参数贝叶斯更新。然后，通过强化学习算法提供的反馈将系统设置在最佳工作点，该算法经过训练以重建和增强所研究的量子传感器的实验启发式方法。值得注意的是，我们通过实验证明了比标准方法更高的估计性能，证明了这两种黑盒算法在集成光子电路上结合的强大功能。我们的工作代表着朝着完全基于人工智能的量子计量迈出了重要一步。
用于量子多参数估计的深度强化学习
主要关键词
相关文件推荐
