物理量的估计是大多数科学研究的核心,量子设备的使用有望增强其性能。在实际情况下,考虑到资源有限,贝叶斯自适应估计代表了有效分配所有可用资源的有效分配的强大方法,这是至关重要的。但是,该框架依赖于系统模型的精确知识,并以精细的校准检索,通常会在计算和实验要求上导致要求。在这里,我们介绍了一种基于模型和深度学习的方法,以有效地实施实现现实的贝叶斯量子计量任务,以实现所有相关挑战,而无需依靠对系统的任何APRIORI知识。为了克服这一需求,直接对实验数据进行了神经网络,以学习多参数贝叶斯更新。然后,通过通过训练并增强研究量子传感器的实验启发式的训练和增强实验启发式的增强学习算法提供的反馈,将系统设置为最佳工作点。值得注意的是,我们在实验上证明了比标准方法更高的估计性能实现,这证明了这两种黑盒算法在集成光子电路上的组合强度。这项工作是迈向完全基于人工智能的量子计量学的重要一步。
translated by 谷歌翻译