Aprendizado por reforço profundo para estimativa quântica multiparamétrica

A estimativa de quantidades físicas está no cerne da maioria das pesquisas científicas, e o uso de dispositivos quânticos promete melhorar seu desempenho. Em cenários reais, é fundamental considerar que os recursos são limitados, e a estimativa adaptativa bayesiana representa uma abordagem poderosa para alocar eficientemente, durante o processo de estimativa, todos os recursos disponíveis. No entanto, essa estrutura depende do conhecimento preciso do modelo do sistema, obtido com uma calibração fina, com resultados que muitas vezes são computacional e experimentalmente exigentes. Introduzimos uma abordagem independente de modelo e baseada em aprendizado profundo para implementar de forma eficiente tarefas realistas de metrologia quântica bayesiana, enfrentando todos os desafios relevantes, sem depender de qualquer conhecimento a priori do sistema. Para superar essa necessidade, uma rede neural é treinada diretamente com dados experimentais para aprender a atualização bayesiana multiparamétrica. Em seguida, o sistema é ajustado em seu ponto de operação ideal através do feedback fornecido por um algoritmo de aprendizado por reforço treinado para reconstruir e melhorar a heurística experimental do sensor quântico investigado. Notavelmente, provamos experimentalmente a obtenção de desempenhos de estimativa superiores aos métodos padrão, demonstrando a força da combinação desses dois algoritmos de caixa preta em um circuito fotônico integrado. Nosso trabalho representa um passo importante em direção a uma metrologia quântica totalmente baseada em inteligência artificial.