[论文解读] Hamiltonian Learning with Online Bayesian Experiment Design in Practice

Ian Hincks, Thomas Alexander+3 more|arXiv (Cornell University)|Jun 6, 2018

Machine Learning in Materials Science被引用 4

一句话总结

该论文提出了一种用于量子系统中哈密顿量学习的在线贝叶斯实验设计框架，并在金刚石中的氮-vacancy (NV) 电子中心上进行了实验验证。通过基于实时贝叶斯推断自适应选择实验，该方法将后验方差降低了10–100倍，相比离线预设的扫描方法，显著提升了量子传感与器件表征中参数估计的效率。

ABSTRACT

Estimating parameters of quantum systems is usually done by performing a sequence of predetermined experiments and post-processing the resulting data. It is known that online design, where the choice of the next experiment is based on the most up-to-date knowledge about the system, can offer speedups to parameter estimation. We apply online Bayesian experiment design to a Nitrogen Vacancy (NV) in diamond to learn the values of a five-parameter model describing its Hamiltonian and decoherence process. Comparing this to standard pre-determined experiment sweeps, we find that we can achieve median posterior variances on some parameters that are between 10 and 100 times better given the same amount of data. This has applications to NV magnetometry where one of the Hamiltonian coefficients is the parameter of interest. Furthermore, the methods that we use are generic and can be adapted to any quantum device.

研究动机与目标

• 通过用自适应、在线实验设计替代固定实验序列，提升量子哈密顿量参数估计的效率。
• 评估在线贝叶斯实验设计在存在噪声和非平凡量子系统的实际实验环境中，是否能优于标准的离线实验扫描方法。
• 展示在真实量子器件（具体为金刚石中的NV中心）中，完全基于贝叶斯、风险最小化的实验选择方法在实际应用中的可行性与性能增益。
• 提供一种通用且可扩展的框架，适用于除NV中心外广泛类型的量子器件的哈密顿量学习。
• 通过比较在线与离线启发式方法在后验方差减少和试验间变异性方面的表现，量化估计精度与一致性的提升。

提出的方法

• 采用序列贝叶斯推断，在每次实验后更新哈密顿量参数的后验分布，保持对未知量的完整概率分布。
• 使用加权贝叶斯风险最小化准则实时选择下一步实验，其中风险基于一组可能的未来实验及其预期信息增益进行定义。
• 实施多种实验类型（如Ramsey、Rabi）并调节控制参数（如脉冲宽度、延迟时间），以自适应地探索参数空间。
• 将推理引擎与实际实验装置集成，控制NV中心的三能级量子比特态，包括光学初始化、微波控制和荧光读出。
• 在实验过程中动态切换控制场，以提升实验灵活性与信息含量。
• 比较多种启发式方法：离线方法（如交替线性、Ramsey扫描）与在线方法（如磁力计加权风险），所有方法均在相同的采样条件下进行评估。

实验结果

研究问题

• RQ1 在真实实验系统中，与标准离线实验扫描相比，在线贝叶斯实验设计是否能显著降低哈密顿量参数估计的后验方差？
• RQ2 在收敛速度和独立试验间的一致性方面，在线启发式方法与离线启发式方法相比表现如何？
• RQ3 在线启发式方法在多大程度上优先选择对目标参数（如通过ωₑ表示的磁场灵敏度）最具信息量的实验？
• RQ4 采用完整的贝叶斯风险最小化框架是否能带来比启发式或固定扫描方法更可预测、更鲁棒的估计结果？
• RQ5 在线学习中后验方差减少的标度行为如何？是否趋近于标准量子极限？

主要发现

• 在200次实验后，名为‘磁力计加权风险’的在线启发式方法使磁场参数ωₑ的中位后验方差相比离线的‘交替线性扫描’方法降低了两个数量级以上。
• 在除ωₑ外所有参数具有紧致先验的情况下，在线启发式方法的后验方差减少效果比最佳离线启发式方法高出约一个数量级。
• 在线启发式方法在独立试验中表现出显著更一致的性能，后验方差的变化幅度小于一个数量级，而离线的Ramsey扫描方法的方差变化幅度高达四个数量级。
• 在线实验设计策略实现了后验方差向标准量子极限（SQL）的指数级收敛，与理论预期及先前的哈密顿量估计研究结果一致。
• 在优先估计ωₑ的场景中，在线启发式方法主要选择Ramsey实验，证实其能有效聚焦于对目标参数最具信息量的实验类型。
• 学习的瞬态阶段显示，后验方差随有效样本量（ESM）呈指数衰减，一旦系统相干性和实验时长得到优化，即进入SQL标度行为。