量子科技中心_量科网

量子技术的进步与规模化发展，使得在高维参数空间中学习和识别量子系统及器件成为多领域应用的迫切需求。在多数情况下，实时反馈控制与测量设置自适应选择的集成应用，对该任务的处理速度提出了严苛要求。本研究提出了一种可快速处理大量模型参数的联合模型选择与参数估计算法。该算法基于变分贝叶斯推断（VBI），通过优化可处理的分布族来逼近目标后验分布，相比依赖采样且在高维空间中普遍存在高方差、高计算成本的精确推断方法更具可扩展性。 研究团队展示了如何利用正则化先验在竞争模型（各模型参数数量不同）中进行选择，从而识别出能解释实验数据的最简约模型。该正则化方法可进一步区分自由度：例如将环境中贡献主要动力学特征的量子系统或过程，与仅产生背景效应的小耦合因素分离。作为该框架的应用案例，研究人员考察了单电子自旋量子传感器识别多个独立核自旋的问题——这对纳米级核磁共振具有重要意义。在环境自旋数量未知的条件下，该贝叶斯方法能准确识别模型（即自旋数量及其耦合关系）。研究团队采用标准评价指标，在仿真与实验数据上对该算法进行了基准测试，证实其可在数分钟内完成数十个参数的估计。