量子科技中心_量科网

该研究团队针对弱磁场估计优化的量子传感网络拓扑结构展开研究。这些传感器被建模为在低温热平衡状态下受横场伊辛哈密顿量支配的自旋系统。通过采用遗传算法（GA），研究人员演化网络拓扑结构以最大化作为算法适应度函数的微扰谱灵敏度指标。对于表现最优的图结构，该工作计算了相应的量子费希尔信息（QFI）以评估估计精度的理论极限。 为实现高效扩展，团队利用遗传算法生成的数据训练深度神经网络，从而外推至直接计算难以实现的大规模图结构。研究结果表明：虽然适应度函数与QFI最初均随系统规模增大而提升，但QFI呈现出明显的非单调行为——在超过临界尺寸后出现饱和继而下降。这反映了QFI超线性缩放特性的丧失，因为能隙缩小标志着QFI随系统尺寸的缩放规律转变为经典模式。该现象令人联想到微观经济学中的收益递减定律：超过最佳尺寸后，继续增大图结构反而会降低传感性能。在Kac标度下，这种精度饱和与下降现象尤为显著，表现为QFI与自旋压缩随系统规模扩大而停滞或退化。 研究还发现谱灵敏度和QFI中出现的奇偶振荡现象源于自旋相空间的量子干涉效应，这通过相空间分析得到验证。这些发现突显了优化相互作用拓扑结构（而非单纯扩大网络规模）的关键作用，并展示了进化算法与机器学习相结合的混合方法在设计高性能量子传感器方面的潜力。