量子科技中心_量科网

物理世界的学习依赖于传感与数据后处理。当信号微弱、多维度且存在关联性时，学习性能往往受限于传感器质量，这要求将量子传感技术整合到此类物理层数据的学习中。电磁场的随机正交位移正是这类学习场景的典型案例，可用于建模光力学力传感、射频光子传感、微波腔弱信号传感等应用。该研究团队提出了一种结合机器学习与干涉光子计数的统一协议，以降低噪声并揭示关联规律。通过采用多模可编程量子测量的变分量子学习方法，该工作实现了信号提取能力的提升。研究结果表明：在主成分分析（PCA）和互相关分析（CCA）等任务中，多模干涉光子计数方法优于以往研究中提出的传统零差检测方案，其表现甚至突破真空噪声极限。为进一步提升性能，该协议还集成了以压缩态分发和检测端反压缩为形式的纠缠增强模块。结合多模干涉光子计数与多体纠缠技术，该协议为弱信号学习提供了强大的工具箱。