News
·
2022-12-22
·
qng
我们的工作“神经网络辅助的 171Yb+ 量子磁力计”已发表于 npj Quantum Information。我们将神经网络引入离子阱磁力计的数据处理环节，展示了机器学习与量子传感相结合的能力，显著拓展了磁力计的工作范围。
面临的挑战
通用量子磁力计必须在较宽的目标场参数范围内提供可读出的响应。标准原子磁力计工作在传感器呈现谐波响应的区间，射频目标场的参数被编码在简单的正弦模式中。然而，当射频驱动引起的响应超出这种标准谐波行为时，例如存在较大的散粒噪声或采用连续单次测量时，传感器响应与目标参数之间的简单关系便不再成立，使得准确表征场参数极具挑战。
我们的方法
我们通过实验展示，将 171Yb+ 原子传感器与经过充分训练的神经网络结合，能够在不同的挑战性情形下研究目标场。具体而言，我们在存在较大散粒噪声的条件下表征了射频（RF）场，其中包括通过单次测量连续采集数据这一极限情形。神经网络学习测得的传感器响应与其背后的场参数之间的复杂映射，从而有效解读复杂传感器响应中包含的信息。
主要结果
在减少测量平均次数的情形下，我们的神经网络仅用每个数据点 100 次测量，就实现了 98.76% 的平均估计准确率。即使每个数据点仅测量 30 次，准确率仍保持在 98.31%。对于连续单次测量，神经网络输出与目标值之间的回归相关系数超过 R = 0.999。这些结果表明，将机器学习工具与量子传感技术相结合，是一种可以方便地推广到其他量子平台的策略，例如金刚石中的氮空位色心。
图 1. 171Yb+ 原子传感器的能级示意图（a、b）、针形离子阱配置（c）及神经网络架构（d）。光电倍增管（PMT）获得的传感器响应由训练好的神经网络处理，从复杂响应中提取射频场参数。
这项工作与西班牙巴斯克大学（UPV/EHU）的研究人员合作完成。