Learning Feedback Control Strategies for Quantum Metrology

Alessio Fallani, Matteo A.C. Rossi, Dario Tamascelli, Marco G. Genoni*

*Tämän työn vastaava kirjoittaja

Tutkimustuotos: LehtiartikkeliArticleScientificvertaisarvioitu

4 Sitaatiot (Scopus)
6 Lataukset (Pure)

Abstrakti

We consider the problem of frequency estimation for a single bosonic field evolving under a squeezing Hamiltonian and continuously monitored via homodyne detection. In particular, we exploit reinforcement learning techniques to devise feedback control strategies achieving increased estimation precision. We show that the feedback control determined by the neural network greatly surpasses in the long-time limit the performances of both the "no-control"strategy and the standard "open-loop control"strategy, which we considered as benchmarks. We indeed observe how the devised strategy is able to optimize the nontrivial estimation problem by preparing a large fraction of trajectories corresponding to more sensitive quantum conditional states.

AlkuperäiskieliEnglanti
Artikkeli020310
Sivut1-15
Sivumäärä15
JulkaisuPRX Quantum
Vuosikerta3
Numero2
DOI - pysyväislinkit
TilaJulkaistu - 14 huhtik. 2022
OKM-julkaisutyyppiA1 Julkaistu artikkeli, soviteltu

Sormenjälki

Sukella tutkimusaiheisiin 'Learning Feedback Control Strategies for Quantum Metrology'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä