2024-07-01
机器学习与量子数据挖掘
李晓鹏团队开展了人工智能提高量子精密测量探测灵敏度的研究。提出了一种全新的、完全基于数据驱动的方法来增强对弱信号的检测灵敏度，不依赖于对物理系统或感测过程的任何先验知识或假设。
在这项新的工作中，研究人员利用物质波的波动性来感知微弱力，采用人工智能方法来处理探测中的各种噪声，采用量子数据驱动的方式，将力的感知灵敏度提高了一个数量级（约10^-25 N级别弱力检测），力的感知灵敏度超越了经典机械力测量方法对应的标准量子极限。人工智能方法结合量子系统产生的数据以一种完全自动、零知识的方式处理系统中的量子探测噪声、技术噪声、热噪声，提供了一种量子系统数字孪生的生成模型。
图1. 机器学习辅助的原子力感应
在外力存在的情况下，研究人员发展的人工智能方法可以迅速的从量子系统产生的数据中检测到一个奇异信号（anomaly detection)，而相比于传统的信号，这个奇异的信号的信噪比有十倍的优势。通过计算异常分数来量化输入图像与其数字副本的非典型性，从而提高了对外部力作用的BEC系统的检测灵敏度。
图3. 使用异常分数进行感知
这项基于数据驱动的信号处理方法具有高度的普适性，可广泛应用于不同领域的感测技术，且在提高灵敏度的同时保持了长期稳定性，为实现大规模的量子优势打开了全新的视角。相关研究成果在2024年6月发表于Communications Physics, 7, 172。论文第一作者为上海期智研究院研究员黄堂友。
更多信息请阅读论文：
Quantum force sensing by digital twinning of atomic Bose-Einstein condensates, Tangyou Huang, Zhongcheng Yu, Zhongyi Ni, Xiaoji Zhou & Xiaopeng Li*, Communications Physics, 7, 172 (2024).
