基于集体自旋与光谱特征的量子Fisher信息机器学习预测
量子Fisher信息(QFI)是量子计量学中的一个基本度量,它通过量子Cramér-Rao界决定了参数估计协议中可实现的极限精度。然而,直接评估QFI通常需要密度矩阵的详细信息,这使得随着希尔伯特空间维度的增长,其计算需求日益增加。该工作研究了利用支持向量回归(SVR)从有限的实验可测量量中预测多体量子系统QFI的程度。通过比较不同的物理特征,该团队识别出了控制QFI的主要特征集,并表明,仅凭集体自旋矩的预测能力会随着系统尺寸(进而希尔伯特空间维度)的增长而下降。该研究证明,QFI主要由集体协方差与密度矩阵的低阶谱矩之间的相互作用所主导。这些结果识别出了控制QFI的物理相关信息域,并表明,无需进行完整的量子态层析成像,即可从一组有限的实验可测量量中实现对计量灵敏度的准确估计。

