基于贝叶斯神经网络与联邦强化学习的两阶段量子磁感测优化方案

《Scientific Reports》：A two-stage optimization method for wide-range single-electron quantum magnetic sensing

　　

摘要

量子磁感测是一种探测极弱磁场的新范式。其方案设计涉及如何制定最优的感测参数，以估计感兴趣的潜在信号（SoI）。现有研究主要依赖于基于黑箱人工智能模型的自适应算法或基于公式的原理性搜索。然而，当感兴趣的信号（SoI）跨越较宽范围且量子传感器存在物理约束时，这些方法可能无法高效或最优地收敛，从而导致较长的问询时间和降低的精度。本工作提出了一种采用两阶段优化方法的新型方案，首先利用贝叶斯神经网络缩小感兴趣信号的取值范围，随后通过联邦强化学习智能体对感兴趣信号进行校准。该方案在氮空位中心自旋系统这一具有挑战性的场景中开发并评估——该系统采用单次读出且感测时间受限；然而与当前最先进的方法相比，该方案在精度和资源效率方面均实现了显著提升。