随机参数演化下的量子传感与哈密顿量学习
Quantum Sensing and Hamiltonian Learning under Stochastic Parameter Evolution
- Centre for Quantum Technologies, NUS（新加坡国立大学量子技术中心）
- School of Computing, NUS（新加坡国立大学计算机学院）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
本文提出随机演化哈密顿量概念，扩展Huang-Tong-Fang-Su协议以在随机系数下学习哈密顿量，界定海森堡极限的适用区域，并开发量子传感与模拟工具，旨在推动SDE控制参数下的量子信息处理研究。
AI中文摘要：
我们引入了随机演化哈密顿量（SEHs）的概念，即其系数由随机微分方程（SDEs）控制的局域哈密顿量。在发展了这些对象的一些理论方面之后，我们考虑了SEHs的哈密顿量学习任务。我们重新分析并必要地扩展了Huang-Tong-Fang-Su协议，该协议首次在哈密顿量系数学习中达到了海森堡极限，并在此情形下进行了扩展。我们从理论上界定了海森堡极限可以保留和不能保留的区域。在此过程中，我们开发了量子传感和哈密顿量模拟中的一些工具，这些工具在量子信息处理中的类似设置下可能具有独立的意义。广泛的目标是鼓励探索量子信息处理中控制参数由SDEs支配的各种设置。
英文摘要：
We introduce the notion of stochastically evolving Hamiltonians (SEHs), which are local Hamiltonians whose coefficients are governed by stochastic differential equations (SDEs). After developing some theoretical aspects of these objects, we consider the task of Hamiltonian learning for SEHs. We reanalyse and make necessary extensions to the Huang-Tong-Fang-Su protocol, which first achieved the Heisenberg limit for Hamiltonian coefficient learning, under these circumstances. We delineate theoretically the regimes where the Heisenberg limit can and cannot be retained. Along the way we develop a few tools in quantum sensing and Hamiltonian simulation that may be of independent interest under similar settings in quantum information processing. The broad aim is to encourage the exploration of various settings in quantum information processing in which the control parameters are governed by SDEs.
