使用机器学习优化脉冲的奇偶校验协议基准测试暗物质搜寻
该研究报道了一种改进的微波检测方案,用于暗物质候选粒子(如轴子和暗光子)的探测。该团队采用了一个超导传输子量子比特,其与双腔系统分散耦合,从而能够在寿命较短的存储腔中对光子占据数进行量子非破坏测量。为缩短实验周期并提高轴子和暗光子搜索的灵敏度,研究人员将该探测器的工作模式调整为增强的量子比特-腔耦合状态,导致斯塔克频移达到4.6 MHz。在此模式下,传统的控制脉冲对频率失谐敏感且易受光子数依赖误差的影响。为克服这一限制,该工作通过机器学习优化实现了频率失谐鲁棒的 \( \pi/2 \) 脉冲,能够在约20 MHz的带宽内保持高保真度的量子比特控制。实验验证了该方案,并展示了与先前实现相当的单光子探测性能,尽管量子比特的相干时间和存储腔寿命显著降低。通过结合基于宇称的测量序列与隐马尔可夫模型分析,该团队实现了约 \(\mathcal{O}(20)\) Hz的背景速率。在无磁场条件下,该研究推导出暗光子暗物质模型的排除限,在5.051 GHz处对动力学混合角的灵敏度达到 \( \epsilon_{95\%} \sim 1\times10^{-14} \)。这些结果表明,机器学习鲁棒控制是更快、更可扩展的微波量子传感器用于暗物质搜索的关键推动因素。

