量子科技中心_量科网

在量子计量学领域，同时实现高精度和大动态范围始终是一项核心挑战，因为提升局部灵敏度通常会缩小无歧义的估计范围。变分量子干涉仪能够增强精度，但通常局限于狭窄的工作区间。本研究引入了一种混合变分量子-经典神经网络干涉仪（VQ-CNNI），其中浅层量子电路编码相位相关的测量统计量，而神经网络则执行非线性相位重构。通过联合优化，该团队能够在 \([-π, π)\) 范围内实现精确且无歧义的相位估计，且不损失精度。研究表明，这一性能需要量子编码与经典解码的协同优化。对学习表征几何结构的可视化分析表明，全局估计与整个相位范围内条件良好的测量统计量相关联，从而实现了稳定的逆映射。奇对称激活函数通过促进全局一致性进一步提升了鲁棒性。这些结果表明，全局量子计量学可通过量子-经典表征的可学习性来理解，为构建兼具高精度和大动态范围的可编程干涉仪提供了一条实用路径。