量子科技中心_量科网

自旋压缩是量子计量学中的重要资源，基于相互作用量子比特的最新硬件平台为传感协议中生成和逆转压缩提供了多种可能架构。该工作比较了三种架构——量子储备池计算机（QRC）、量子感知机以及多层量子神经网络（QNN）——作为基于压缩的场传感器时的传感性能。所有模型均采用标准计量序列，包括相干自旋制备、单轴扭曲动力学、弱旋转场编码、时间反演和集体读出。研究表明，单个量子感知机能产生与QRC相同的最优灵敏度，但在微扰状态下，其因输出量子比特的调控作用而获得加速压缩优势。将感知机堆叠为QNN可进一步放大该效应：在具有N_in个输入量子比特和N_out个输出量子比特的2层QNN中，最优压缩时间缩短为原来的1/N_out，同时可实现的海森堡极限相位灵敏度Δφ∼1/(N_in+N_out)保持不变。若采用层间顺序操作——先用输出层压缩输入层再用输入层压缩输出层——两阶段的响应会产生建设性叠加。当N_in=N_out时，其灵敏度较QRC提升√2倍且总压缩时间更短。推广至L层结构时，计量增益按√L比例增长，所需压缩时间则随每层量子比特数N_l减少为1/N_l。这些结果表明，量子神经网络的结构不仅可用于计算，还能设计出更快、更灵敏的基于压缩的量子传感器。