[论文解读] Sequential Bayesian experiment design for adaptive Ramsey sequence measurements

R. D. McMichael, Sergey Dushenko+1 more|arXiv (Cornell University)|May 5, 2021

Quantum Information and Cryptography参考文献 71被引用 22

一句话总结

本文提出一种用于氮-vacancy (NV) 位点中自适应Ramsey序列测量的顺序贝叶斯实验设计，通过优化相位累积时间τ以提高测量效率。通过持续使用贝叶斯推断更新对未知参数的信念，并选择能最大化信息增益的τ值，该方法相较于自适应启发式和随机协议，分别将测量时间减少了2倍和4倍，且并行工作流消除了计算开销。

ABSTRACT

The Ramsey sequence is a canonical example of a quantum phase measurement for a spin qubit. In Ramsey measurements, the measurement efficiency can be optimized through careful selection of settings for the phase accumulation time setting, $ au$. This paper implements a sequential Bayesian experiment design protocol for the phase accumulation time in low-fidelity Ramsey measurements, and performance is compared to both a previously reported adaptive heuristic protocol and random setting choices. A workflow allowing measurements and design calculations to run concurrently largely eliminates computation time from measurement overhead. When precession frequency is the lone parameter to estimate, the Bayesian design is faster by factors of 2 and 4 relative to the adaptive heuristic and random protocols respectively.

研究动机与目标

• 提高在低保真度、平均读出Ramsey序列中NV位点的测量效率。
• 解决由于光子收集有限和经典读出噪声导致的参数估计效率低下问题。
• 开发并评估一种顺序贝叶斯实验设计，自适应地选择相位累积时间τ以最大化信息增益。
• 在速度和准确性方面，将该贝叶斯方法与自适应启发式和随机协议进行比较。
• 证明测量与设计计算并行执行可消除计算开销，实现真正意义上的实时优化。

提出的方法

• 使用顺序贝叶斯推断，在每次测量周期后更新对未知参数（a, c, ω₀, T₂）的后验分布。
• 采用决策理论，基于当前后验不确定度，选择能使期望信息增益最大化的下一个τ值。
• 使用泊松分布对信号和背景光子计数进行建模，其时间依赖的速率分别为λₛ(t)和λ_b(t)，并通过移动平均引入漂移项。
• 推导出似然函数P(ns|ms, nb, mb, θ)，通过使用共轭伽马先验（ν = -1）对背景计数率λ_b进行积分，以增强鲁棒性。
• 实现并行工作流，使测量与设计计算并行运行，有效消除计算时间对测量开销的影响。
• 采用比值模型R(θ) = a * [1 + c/2 * (1 + cos(ω₀τ)) * exp(-(τ/T₂)²)]，将信号与背景计数与未知参数关联起来。

实验结果

研究问题

• RQ1 与启发式和随机协议相比，顺序贝叶斯实验设计在低保真度Ramsey序列中如何提升测量效率？
• RQ2 测量与设计计算并行执行对有效测量时间和开销有何影响？
• RQ3 背景计数平均如何影响贝叶斯推断协议的准确性和收敛性？
• RQ4 与其它协议相比，贝叶斯方法在ω₀估计中能将不确定性降低多少？
• RQ5 在实际实验约束下，贝叶斯方法能否实现Heisenberg不确定性标度（σ ∝ 1/T）？

主要发现

• 在估计拉比频率ω₀时，顺序贝叶斯设计相较于自适应启发式协议，将测量时间减少了2倍。
• 在相同的参数估计任务中，贝叶斯方法相较于随机协议，测量速度提高了4倍。
• 测量与设计计算的并行执行有效消除了计算时间对测量开销的影响，实现了真正的实时优化。
• 背景计数平均提高了似然函数的锐度和参数收敛性，但当nb ≳10 × ns时增益趋于饱和，表明在此之后收益递减。
• 贝叶斯协议在数个标准差范围内收敛至真实参数值，而错误的先验选择（如ν = 0）会导致估计偏差。
• 在每次周期重复次数恒定的条件下，该方法在理论上支持Heisenberg不确定性标度（σ ∝ 1/T），表明其具备最优标度行为。