量子科技中心_量科网

高通量表征通常需要通过有限数量和质量实验数据来估计参数及模型维度。此类数据可能导致不适定反演问题的出现，即多组参数和模型维度均与现有数据相符。在涉及高维、非线性及连续与离散混合参数空间时，这种不适定状态会使传统机器学习和确定性方法的可靠性或可操作性受到挑战。为解决这些问题，该研究团队提出了一种贝叶斯框架，整合多种马尔可夫链蒙特卡洛（MCMC）采样技术，以从稀疏噪声数据中同时估计参数和模型维度。通过融合混合参数空间采样、可逆跳跃MCMC估计模型维度及并行回火加速复杂后验分布探索，该方法为数据受限场景提供了系统化的参数估计与模型选择方案。该团队将框架应用于量子信息科学中的一个具体不适定问题：从半导体中自旋缺陷周围核自旋的稀疏噪声相干数据中重构其位置及超精细耦合参数。研究表明，混合MCMC方法仅需现有方法十分之一的数据量即可获得物理参数的有效后验分布，并在实验测量中得到验证。更广泛地说，该工作为现实实验约束条件下解决一大类不适定反演问题提供了灵活且可扩展的策略。