Neural Correlation Learning for Quantum-Enhanced Sensing with Time-Independently Driven Rydberg Atom Arrays
本文提出了一种用于里德堡原子阵列中量子增强传感的硬件高效且可扩展的范式，该范式利用神经相关学习框架从原生时不变动力学中提取计量信息，在无需工程化纠缠态的情况下实现了海森堡极限灵敏度。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
量子传感是一个致力于利用量子世界的奇特规则，以经典工具无法企及的精度来测量事物的领域。想象一下，试图探测一个微弱的磁场或一个极小的电信号；在经典世界中，这种探测能力的极限取决于你所使用的粒子数量，这一障碍被称为标准量子极限。为了突破这一障碍并达到自然界允许的极致精度，科学家通常尝试制备一种特殊的、高度纠缠的状态。纠缠是一种粒子之间产生联系的现象，使得其中一个粒子的状态无论距离多远，都会瞬间影响其他粒子。然而，创造这些状态是极其困难的。它需要复杂且定时精确的激光脉冲序列，以迫使原子进入正确的构型，而且这个过程非常脆弱；环境中的任何噪声或误差都可能在这些状态被使用之前就将其破坏。此外，这种传统方法假设在制备原子时，被测量的场可以被完全关闭，而这一假设在现实世界中往往并不成立，因为在现实中，某些场是恒定的或无法屏蔽的。
现在，一个研究团队提出了一种不同的前进方式，绕过了这些困难。他们不再费力去创造一个完美的、预先设计的状态，而是让原子在恒定的、不变的力量作用下自然演化，且目标场在整个过程中始终存在。在他们的研究中，他们使用了一组由激光捕获在网格中的原子阵列。这些原子被激发到一种被称为里德堡态（Rydberg state）的高能态，在这种状态下，它们彼此之间的相互作用非常强烈。研究人员让所有原子处于一个简单的、未纠缠的状态，然后在恒定激光和他们想要测量的外部电场的影响下，让它们演化一段固定的时间。这种由原子自身相互作用驱动的自然演化，在整个网格中自发地生成了复杂的关联模式。随之而来的挑战是如何读取这些模式。由于信息隐藏在原子的复杂空间排列中，而非仅仅通过计算有多少个原子被激发，传统的测量方法无法提取出其全部的精度潜力。
为了解决这个问题，研究人员引入了一种结合了两阶段过程与一种被称为神经网络的人工智能的方法。在第一阶段，即校准阶段，他们在已知电场值的条件下进行了多次实验。他们记录了由此产生的原子模式——本质上是哪些原子被激发以及哪些没有被激发的快照——并将这些数据输入到神经网络中。网络学会了识别这些快照中微妙的空间相关性，并将它们直接映射到引起这些模式的具体场强上。至关重要的一点是，由于训练数据来自于真实的实验运行，该网络能够自动补偿诸如原子衰减或激光漂移等缺陷，从而充当一个理解实际硬件噪声的解码器。在第二阶段，即传感阶段，系统暴露在一个未知的场中。神经网络分析新的测量模式，并使用一种称为贝叶斯推断（Bayesian inference）的统计方法来更新其对场强度的认知，通过每一次新测量积累证据，从而不断缩小答案的范围。
他们的模拟结果表明，这种方法效果显著。原子的自然演化产生了一种测量资源，其规模随原子数量的平方而增长，这种性能水平被称为海森堡极限（Heisenberg limit），即理论上的最大精度。虽然原始数据包含了这种潜力，但研究人员证明了他们的神经网络可以成功提取它，实现了超越标准量子极限的精度。他们发现该方法具有鲁棒性；即使训练数据并未包含所有可能的罕见原子模式，网络仍能通过理解网格不同部分之间的底层关系来进行泛化，并提供准确的估计。此外，即使物理条件包含现实的噪声（如原子的自发衰减），该系统依然保持准确，因为校准过程已经教会了网络如何处理这些特定的误差。
这项工作为量子传感提供了一种新的范式，它不再依赖于制备完美纠缠态这一艰巨任务。相反，它利用相互作用原子的自然、时不变动力学来产生有用的相关性，并利用机器学习来解码其中隐藏的信息。通过将重点从工程化构建特定的量子态转向学习如何解释自然产生的复杂模式，研究人员为开发可扩展且稳健的量子传感器开辟了一条道路。这对于测量那些无法关闭的场（例如静态电场或磁场）特别有价值，因为在这些情况下，传统的“制备后测量”法会失效。研究表明，只要拥有合适的计算工具，就可以利用相互作用原子的复杂多体物理现象，在无需脆弱、人工设计的量子态的情况下，实现最高的灵敏度。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。