近日，北京量子信息科学研究院（以下简称“量子院”）原子系综精密测量团队在里德堡原子弱瞬态电场响应读出方面取得新进展，提出了结合候选波形形态判别和跨周期时间一致性修正的机器学习读出方法，在不改变传感器物理响应的前提下，提高了弱里德堡-EIT瞬态的定位可靠性。2026年9月3日，相关成果以“机器学习增强的里德堡瞬态读出弱电脉冲”（Machine-learning-enhanced Rydberg transient readout of weak electric pulses）为题，发表于 Optics Express。

里德堡原子具有较大的电偶极矩，对外电场高度敏感。借助电磁诱导透明（electromagnetically induced transparency，EIT），外部电场引起的里德堡能级变化可以转化为探测光透射变化，从而实现射频和微波电场的光学读出。对于连续波或较强信号，谱线移动、Autler-Townes劈裂或清晰的时域波形通常可以直接表征原子响应；但面对快速、宽频、接近噪声水平的弱瞬态信号，响应还会受到射频耦合链路、原子动力学和光学探测过程的共同影响，容易与背景涨落和其他瞬态结构混在一起。此时，难点已经从“是否能看到一个峰”转变为“如何从多个相似候选中找出与外部激励真正对应的原子响应”。

研究团队搭建了基于 Cs 73D_5/2 里德堡态的EIT弱瞬态测量系统，利用852 nm探测光和509 nm耦合光建立光学读出通道，并通过超高频（UHF）耦合结构将可控的类局部放电（partial-discharge-like, PD-like）快速脉冲耦合到原子气室区域。在数据处理上，首先利用匹配滤波（matched filtering, MF）和归一化互相关（normalized cross-correlation, NCC）筛出可能的瞬态候选位置；随后引入主成分分析（principal component analysis, PCA）和Logistic回归，对候选位置附近的局部波形进行形态判别。这样既保留了模板匹配在候选搜索上的作用，也把波形的极性、宽度、恢复过程和模板相似性等信息纳入判断，避免只依赖最大相关峰值作出选择。

实验显示，在较强响应条件下，事件相关的里德堡-EIT瞬态可以在单周期波形中直接辨认；当响应逐渐降到背景噪声附近后，目标瞬态不再具有明显的幅值优势，其他瞬态结构也可能产生相近的模板相关峰。尽管如此，利用独立的源端时间参考进行后验对齐后，低信噪比数据中仍能看到稳定的局部负向瞬态结构。这说明，低信噪比并不意味着波形信息已经完全消失；即使单次测量中目标响应不再显眼，其局部形态仍保留了可供算法识别的信息。

随后，研究团队在117个实验直接采集的低信噪比周期上，对不同读出方法进行了统一评估。传统MF最大峰值方法的严格定位准确率为0.00%，但117个周期中有115个候选池实际包含满足严格定位条件的候选。这一对比说明，候选生成本身并不是主要限制，真正困难的是如何在低信噪比条件下把正确候选排到前面。引入PCA/Logistic波形形态判别后，严格定位准确率提高至63.25%（74/117）；在此基础上，再利用受控重复激励下不同周期之间的时间一致性进行修正，准确率进一步提高至86.32%（101/117）。结果表明，机器学习主要改善了候选排序，而跨周期时间一致性则为波形相似、难以区分的候选提供了额外判断依据。

研究结果表明，在量子传感测量中，当信号已经逼近噪声背景时，能否把已有的微弱物理响应稳定读出来，与传感器本身能否产生可测响应同样重要。本研究提升的是弱瞬态响应的读出可靠性，并不等同于提高里德堡原子的本征电场灵敏度。在这里，机器学习并不是替代物理测量，而是帮助从实验数据中更充分地利用原子响应中已经存在的波形信息，为机器学习辅助量子精密测量提供了一种可验证的实验方案。