量子科技中心_量科网

单次测量学习（SSML）通过单比特成功/失败记录学习补偿幺正变换，并在连续成功达到预设次数后终止。该研究将SSML重构为参数化传感流形上的自适应估计器，并探讨其在量子增强传感中的作用。首先，研究表明终端运行序列本身提供了局部对准的内在证明：更长的终端运行序列意味着更低的保真度误差，在最优值附近时，这会转化为经过Fisher校准的参数误差证明。其次，对于补偿型传感族，伯努利成功/失败记录在局部与探针量子Fisher信息（QFI）相匹配，因此SSML尽管每份副本仅使用一个经典比特，仍能保留探针的计量学信息。从这个意义上说，SSML通过在线自终止协议，使探针携带的量子增强效应可操作化。应用于深度为m的GHZ/NOON探针时，SSML在固定总资源下仍保持与乘积态探针相比熟悉的平方根纠缠增益，而理想的多尺度架构仍与海森堡标度兼容。光子NOON态相位传感的蒙特卡洛模拟显示：终端保真度误差随纠缠态测量次数呈现预期的近倒数衰减、固定纠缠深度下类SQL总资源标度、对应固定资源下的纠缠增益、单条纹尺度的全局限制，以及理想多尺度交接下海森堡兼容行为的恢复。这些结果表明SSML是一种兼具Fisher信息保持和自验证特性的估计器层，可用于量子增强传感。