量子传感器是根据量子力学规律、利用量子效应设计的、用于执行对系统被测量进行变换的物理装置。作为量子技术最具潜力的应用之一，它旨在利用量子资源提高测量灵敏度。正如理论上量子计算机可以处理传统计算机无法解决的问题,量子传感器也可以将灵敏度和准确度提高到一个新的水平。其中，基于光学相位的传感受到科研工作者的广泛研究，对传感器件的大规模开发至关重要。
图1 集成光子量子传感器的自适应多相估计机器学习
但量子传感器如果想要保持高精度的测量水平，需要定期表征和校准。一般而言，这种校准是一项极其复杂的资源密集型工作。特别是用于评估多个参数的传感系统，因为需要花费大量的计算时间去测量并分析结果。
机器学习算法的出现为校准工作提供了一个强有力的工具，极大地降低了工作量。其中有一种称之为“强化学习”(RL)的算法，它是介于监督学习和非监督学习的另外一种学习方式。简单来说就是让计算机实现从一开始什么都不懂，脑袋里没有一点想法，通过不断地尝试，从错误中学习，最后找到规律，学会达到目的的方法。一个智能体采取行动给环境，环境给他新的奖励和新的状态，这个智能体根据他所受的奖励和新的状态，来采取下一步的行动形成一个闭环，这就是强化学习。直到最近才出现一些通过利用RL 算法优化量子问题的研究报道。但其中大多数工作仍依赖于描述系统的模型的先验知识。恰恰相反，理想的策略是一种完全无模型的方法，当代理的奖励不依赖于显式系统模型时，是有可能实现的。
图2 深度学习协议方案
基于此，意大利罗马大学物理系和光子学与纳米技术研究所(IFN-CRN)的研究团队成功开发了一种无模型方法，将应用范围扩大到自适应多相估计。该研究以“Deep reinforcement learning for quantum multiparameter estimation”为题发表在Advanced Photonics上。他们在高度可重构的集成光子平台上验证了无模型方法的有效性。实验中使用 RL 算法来优化多个参数评估，并将其与深度神经网络相结合，该网络在每次测量后更新贝叶斯后验概率分布。因为在任何步骤都不需要系统功能模型，该协议以完全黑盒的方式处理量子多参数传感器。重要的是，该团队证明了在资源有限的情况下通过他们的协议可以有效增强性能，并将其与非自适应策略进行比较，实现了更好的评估。
