近日，光电研究所申恒教授带领的研究团队在人工智能辅助中性原子阵列荧光成像方向取得重要进展。研究团队提出了一种弱锚贝叶斯推断方法，并借助神经网络实现推断加速，首次依赖单光子级别荧光信号实现了高保真的量子态读取。相关成果以“Neural-Network-Assisted Bayesian Qubit Readout at the Single-Photon Level for Scalable Atomic Quantum Processors”为题，于6月30日在线发表于国际权威物理期刊 Physical Review Letters。光电研究所博士生周耀庭为论文第一作者，光电研究所徐忠孝副教授和理论物理研究所陈立副教授为论文的共同通讯作者。

中性原子阵列是当前最具前景的可扩展量子计算平台之一，其量子比特的状态读取依赖荧光成像。为抑制成像过程中的原子加热与丢失、提升读取效率，降低读取所需的光子资源成为关键需求。然而，当荧光光子数降至单光子量级时，亮态与暗态的光子计数分布会严重交迭，使得 “阈值判别法”失效。因而，如何从稀疏光子信号中提取可靠的状态信息是该领域的一个重要问题。 

针对这一挑战，团队发展了弱锚贝叶斯推断方法。与以往需要对亮、暗两个分布同时进行标定的方案不同，该方法仅需标定其中一个易于获取的态分布，另一态分布则在推断过程中自洽求解，从而有效规避了量子平台中普遍存在的非对称标定困难。基于该方法，团队在信号分布与背景分布交迭度高达72%的情形下，仍可获得了超过98%的相对读取保真度，并据此重构出Rabi振荡与Ramsey干涉信号。团队进一步通过训练置换不变神经网络，将耗时的贝叶斯推断压缩为网络单次前传，推断时间相较于传统贝叶斯推断获得了数量级提升。 

该工作为可扩展原子量子处理器中的快速读取提供了新思路，也为量子线路中路读出、自适应测量等前沿方向提供了有力工具，展示了人工智能方法推动量子物理学发展的重要潜力。 

该研究得到国家自然科学基金、量子科技创新2030重大项目、光量子技术与器件全国重点实验室、省部共建极端光学协同创新中心，以及山西省三晋英才计划等的支持。