arXiv 2510.063602025-10-07quant-ph

在相互作用量子传感器网络中最优学习函数

Optimally learning functions in interacting quantum sensor networks

Joint Center for Quantum Information and Computer Science, National Institute of Standards and Technology and University of Maryland（量子信息与计算机科学联合中心，美国国家标准与技术研究院和马里兰大学）；Joint Quantum Institute, National Institute of Standards and Technology and University of Maryland（联合量子研究所，美国国家标准与技术研究院和马里兰大学）；Department of Physics, United States Naval Academy（美国海军学院物理系）；Department of Physics, Harvard University（哈佛大学物理系）

Erfan Abbasgholinejad, Sean R. Muleady, Jacob Bringewatt, Anthony J. Brady, Yu-Xin Wang, Ali Fahimniya, Alexey V. Gorshkov

备注：: 6+15 pages, 1 figure

阅读 PDF

arXiv 页面 ↗HTML 原文 ↗

AI总结：

本文针对相互作用量子传感器网络，建立了估计哈密顿量局部参数线性组合的最优界限与协议，统一并扩展了非相互作用情形，为多体系统分布式传感提供通用框架。

摘要：

在分布式量子系统中估计局部参数的广延组合是量子传感的核心问题，其应用范围从磁力测量到时间保持。虽然对于量子传感器网络中非相互作用哈密顿量的传感已知最优策略，但在存在不可控相互作用时的基本极限仍不清楚。在此，我们建立了对于具有任意、未知相互作用的哈密顿量局部参数线性组合进行估计的最优界限和协议。在此过程中，我们更一般地建立了对于任意对易项学习哈密顿系数任何线性组合的界限。我们的结果统一并扩展了非相互作用量子比特和多模干涉仪的现有界限，为现实多体系统中的分布式传感和哈密顿量学习提供了通用框架。

英文摘要：

Estimating extensive combinations of local parameters in distributed quantum systems is a central problem in quantum sensing, with applications ranging from magnetometry to timekeeping. While optimal strategies are known for sensing non-interacting Hamiltonians in quantum sensor networks, fundamental limits in the presence of uncontrolled interactions remain unclear. Here, we establish optimal bounds and protocols for estimating a linear combination of local parameters of Hamiltonians with arbitrary, unknown interactions. In the process, we more generally establish bounds for learning any linear combination of Hamiltonian coefficients for arbitrary, commuting terms. Our results unify and extend existing bounds for non-interacting qubits and multimode interferometers, providing a general framework for distributed sensing and Hamiltonian learning in realistic many-body systems.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

AI总结：

摘要：

英文摘要：

相关论文