Die Quantensensorik stellt eine der vielversprechendsten Anwendungen der Quantentechnologien dar, mit dem Ziel, Quantenressourcen zur Verbesserung der Messempfindlichkeit zu nutzen. Insbesondere die Erfassung optischer Phasen ist eines der am häufigsten untersuchten Probleme, das als Schlüssel für die Entwicklung massenproduzierter technologischer Geräte gilt.
Eine optimale Nutzung von Quantensensoren erfordert eine regelmäßige Charakterisierung und Kalibrierung. Im Allgemeinen ist eine solche Kalibrierung eine äußerst komplexe und ressourcenintensive Aufgabe – insbesondere wenn Systeme zum Schätzen mehrerer Parameter in Betracht gezogen werden, aufgrund des schieren Umfangs der erforderlichen Messungen sowie der Rechenzeit, die zum Analysieren dieser Messungen benötigt wird. Algorithmen für maschinelles Lernen stellen ein leistungsstarkes Werkzeug dar, um diese Komplexität zu bewältigen. Die Entdeckung geeigneter Protokolle für die Verwendung von Algorithmen ist entscheidend für die Entwicklung von Sensoren für präzise quantengestützte Messungen.
Eine besondere Art von maschinellem Lernalgorithmus, bekannt als „Reinforcement Learning“ (RL), setzt auf einen intelligenten Agenten, der von Belohnungen geleitet wird: Abhängig von den Belohnungen, die er erhält, lernt er, die richtigen Aktionen auszuführen, um die gewünschte Optimierung zu erreichen. Die ersten experimentellen Realisierungen unter Verwendung von RL-Algorithmen zur Optimierung von Quantenproblemen wurden erst vor kurzem veröffentlicht. Die meisten von ihnen verlassen sich immer noch auf Vorkenntnisse des Modells, das das System beschreibt. Wünschenswert ist stattdessen ein vollständig modellfreier Ansatz, der möglich ist, wenn die Belohnung des Agenten nicht vom expliziten Systemmodell abhängt.
Wie in berichtet Fortgeschrittene Photonik, hat ein Forscherteam der Fakultät für Physik der Universität Sapienza in Rom und des Instituts für Photonik und Nanotechnologien (IFN-CRN) kürzlich einen modellfreien Ansatz entwickelt, der das Spektrum möglicher Anwendungen auf die adaptive Mehrphasenschätzung erweitert. Das Team demonstriert die Effektivität seines modellfreien Ansatzes in einer hochgradig rekonfigurierbaren integrierten photonischen Plattform. Sie setzen den RL-Algorithmus experimentell ein, um die Schätzung mehrerer Parameter zu optimieren, und kombinieren ihn mit einem tiefen neuronalen Netzwerk, das nach jeder Messung die bayessche spätere Wahrscheinlichkeitsverteilung aktualisiert.
Das Protokoll handhabt den Quanten-Multiparameter-Sensor vollständig in einer Black-Box-Manier, da bei keinem Schritt das Systemfunktionsmodell benötigt wird. Wichtig ist, dass das Team die verbesserte Leistung beweist, die mit seinem Protokoll an experimentellen Daten in einem ressourcenbegrenzten Regime erzielt wird, und es mit der von nicht-adaptiven Strategien vergleicht, wodurch deutlich bessere Schätzungen erzielt werden.
Laut dem korrespondierenden Autor Fabio Sciarrino, Leiter des Quantum Lab, „bietet das von unserem Team entwickelte Protokoll einen bedeutenden Schritt in Richtung vollständig auf künstlicher Intelligenz basierender Quantensensoren.“
Mehr Informationen:
Valeria Cimini et al, Deep Reinforcement Learning for Quantum Multiparameter Estimation, Fortgeschrittene Photonik (2023). DOI: 10.1117/1.AP.5.1.016005