2026新论文：闭环相位不再躲猫猫，8个效率特征直接反演

量子相位平时像个“躲猫猫高手”，这篇论文偏要把它从实验可观测量里揪出来。更有意思的是，方法不是硬算，而是先让 STIRAP 把相位写进转移效率，再交给多层感知机去读答案。

龙哥读论文发布于 2026-08-14 21:50:13 阅读 4 查看原文

#AI应用 #量子计算AI

原论文信息如下：

论文标题:
Machine-Learning-Empowered Quantum Sensing of the Plaquette Phase in a Three-Level Delta System

发表日期:
2026年07月发表单位:
Dipartimento di Fisica e Astronomia "Ettore Majorana", Universita di Catania, Italy; PhD in Quantum Technologies, Universita di Napoli Federico II, Italy; INFN, Sezione di Catania, Italy 原文链接:
https://arxiv.org/pdf/2607.15040v1.pdf

相位之谜：三能级系统中的“隐变量”

量子系统里最烦人的一类量，不是看不见，而是“看见了也认不出来”。这篇论文盯上的就是这种典型麻烦：plaquette phase，中文可理解为晶格相位 / 闭环相位，它是三能级 ∆ 系统里绕一圈后留下的那一点“总相位债务”。这东西不是随便一个局部相位就能抹掉的，因为它是规范不变量，也就是换个描述方式也躲不掉。

先把背景说人话。三能级系统可以理解成三个量子态互相连成一个三角形，三条边分别对应三种耦合。平时只要其中两条边工作，系统还能靠相干布居俘获（Coherent Population Trapping, CPT）稳稳地待在“暗态”里，不去碰中间那个容易出问题的态。可一旦三角形闭环里多出一个不可消掉的相位，事情就变味了：暗态不再那么“暗”，系统会开始漏人口，转移效率也会跟着掉链子。

图1：三能级 ∆ 结构示意图。三个量子态两两耦合，形成闭环后就会出现一个无法通过局部变换消除的相位，这正是本文要“反向测量”的对象。说白了，别人把它当麻烦，本文把它当信号源。

这类相位最难的地方，不在于定义，而在于“怎么测”。它不是电表一插就能读出来的量，而是藏在动力学里的隐变量。传统思路往往得先写出完整哈密顿量，再推一堆解析式，最后才去反演参数。但三能级闭环系统一旦耦合复杂、驱动条件又多，反演就很容易变成一个非线性、非唯一、还带周期边界的逆问题。论文的切入点很直接：既然相位会影响可观测的布居转移，那就别硬追相位本身，先让相位“写进”实验结果里，再让机器学习去读。

这里的关键概念还得顺手翻译一下。STIRAP 是 Stimulated Raman Adiabatic Passage，中文常译为受激拉曼绝热通道。它本来是个很稳的状态转移技巧：先开“后门”再开“前门”，系统就能沿着暗态从初态滑到目标态，中间尽量不碰损耗态。可在 ∆ 结构里，多出来的闭环耦合和相位会把这条“安全通道”搅乱。论文的高明之处就在这里：把 STIRAP 的不完美，改造成相位传感器。

为了更清晰地理解这个“隐变量”的物理来源，我们需要深入 ∆ 系统的哈密顿量结构。在相互作用绘景中，采用旋波近似后，三能级 ∆ 系统的哈密顿量可以写成一个 3×3 矩阵，其非对角元包含三个耦合：泵浦场耦合 |0⟩ 和 |2⟩，斯托克斯场耦合 |1⟩ 和 |2⟩，以及一个额外的直接耦合连接 |0⟩ 和 |1⟩。这个额外的耦合可以是微波场、射频场或者通过另一个辅助能级实现的间接耦合，正是它闭合了三角形。当三个耦合的复振幅的相位之和不等于 0 或 π 的整数倍时，系统就获得了非零的 plaquette phase。这个相位无法通过重新定义各能级的局部相位来消除，因此是一个真正的几何相位效应，会深刻影响系统的本征态结构和动力学演化。

论文中考虑的 ∆ 系统具体参数设定如下：三个能级的能量满足双光子共振条件，即 |0⟩ 和 |1⟩ 的能量差与两个光场频率之差匹配。泵浦场和斯托克斯场采用高斯脉冲包络，峰值拉比频率在 MHz 量级，脉冲宽度在微秒量级，满足绝热条件。额外的直接耦合强度相对于光场耦合较弱，约为光场峰值耦合强度的 0.1 到 0.5 倍。这样的参数设定确保了系统在标准 STIRAP 过程中能够高效转移布居，同时闭环相位效应又能产生可观测的调制。论文通过数值求解含时薛定谔方程，系统地扫描了 plaquette phase 从 -π 到 π 的整个范围，为后续的机器学习提供了高质量的合成数据。

传感新思路：STIRAP 的“退相干”成关键

这篇论文最有意思的一点，是它没有把“转移效率下降”当成失败，而是把它当成了可读出的相位指纹。在标准 STIRAP 里，如果脉冲时序和失谐条件合适，系统会几乎完美地完成从 |0⟩ 到 |1⟩ 的转移。但在 ∆ 系统中，只要 plaquette phase 不为零，暗态和亮态之间就会出现耦合，原本应该安安静静待在暗态里的概率开始泄漏，最后体现在目标态占据率下降上。

图2：STIRAP 过程中目标态 |1⟩ 的时间与相位分辨占据演化。这里采用的是论文中的操作性双光子失谐条件，脉冲为高斯形，且泵浦与斯托克斯脉冲峰值相同。图里最重要的信息不是“最后到了多少”，而是“相位一变，转移曲线就开始变脸”。

论文把这个现象讲得很清楚：如果把相位设成 0，系统还能比较接近理想暗态演化；但只要相位偏离 0 或 ±π，暗态就会和其他本征态“串门”，导致转移效率明显变化。换句话说，相位不是直接被测出来的，而是通过 STIRAP 的损失被“侧写”出来的。这和很多现实系统挺像：真正有价值的信息常常不在“正面证据”里，而在“本该没有却出现了什么”里。

更具体地说，论文没有只看一种驱动条件，而是设计了8 个转移效率特征。这些特征来自三种不同的驱动比例、不同的失谐设定，以及是否采用与驱动匹配的操作性失谐。这样做的目的很朴素：单个效率值信息太少，容易歧义；但多个条件叠起来，相位留下的“纹路”就会更清楚。这个思路很像给嫌疑人做多角度监控，单张脸不够，侧脸、背影、走路姿势一起上，识别率就上来了。

这 8 个特征的具体构成值得仔细拆解。首先，三种驱动比例分别是：对称驱动（泵浦与斯托克斯峰值相等）、泵浦占优（泵浦峰值为斯托克斯的 1.5 倍）和斯托克斯占优（斯托克斯峰值为泵浦的 1.5 倍）。对于每一种驱动比例，论文进一步考虑了两种失谐设定：一种是双光子失谐为零的理想共振条件，另一种是引入一个小的操作性双光子失谐（约为脉冲带宽的 0.2 倍）。这样 3×2=6 种组合，再加上每种组合下分别测量 STIRAP 过程结束时的目标态布居和中间态 |2⟩ 的最大瞬态布居，就得到了 6×2=12 个原始观测量。但论文经过分析发现，中间态最大瞬态布居与目标态最终布居之间存在强相关性，因此最终选取了 8 个最具区分度的特征：6 个目标态最终布居（来自 6 种驱动-失谐组合）加上 2 个额外的中间态最大布居（来自对称驱动下的两种失谐设定）。这种特征选择过程本身就是一个物理洞察的体现——不是所有观测量都同等重要，只有那些对相位变化最敏感、且相互之间冗余最小的测量才值得保留。

从物理机制上看，为什么不同的驱动-失谐组合能够放大相位效应？这是因为 plaquette phase 对系统本征态的影响依赖于各个耦合的相对强度。当泵浦占优时，系统的暗态主要由 |0⟩ 和 |2⟩ 的相干叠加构成，此时相位主要通过改变 |0⟩-|1⟩ 直接耦合的有效强度来影响动力学；而当斯托克斯占优时，暗态偏向 |1⟩ 和 |2⟩ 的叠加，相位效应则更多地体现在斯托克斯通道的调制上。对称驱动下，两种效应达到平衡，此时相位对转移效率的影响最为显著。引入操作性失谐则进一步打破了系统的对称性，使得原本被抑制的某些跃迁通道被激活，从而暴露出更多相位信息。正是这种多角度、多条件的测量策略，使得原本可能被噪声淹没的相位信号变得清晰可辨。

机器学习破局：多层感知机如何读懂相位

真正把这套方案落地的，是一个很朴素但很能打的模型：多层感知机（Multilayer Perceptron, MLP）。它不是那种一上来就堆得很玄乎的结构，反而是典型的“老实人路线”：输入 8 维特征，经过几层全连接和激活函数，最后输出相位的二维圆周表示。这个设计很关键，因为相位是周期量，直接回归角度会在 -π 和 π 的边界上产生人为断裂；改成二维单位圆坐标后，模型学到的是连续映射，不会在边界处突然“脑子短路”。

表1：用于相位识别的神经网络结构。网络输入是 8 维转移效率，隐藏层依次采用 64、64、32、16 个神经元，激活函数为 ReLU 和 LeakyReLU，输出层为 2 维，用来表示相位在单位圆上的位置。

这套网络结构不算大，甚至有点“节制”。但从工程角度看，这恰恰是优点：输入特征很少，模型不重，训练和推理成本都不高，适合做实验数据上的快速回归。论文采用的损失函数是均方误差（Mean Squared Error, MSE），优化器用的是 Adam。这里没有搞花哨的损失拼盘，说明作者更关心的是：先把“相位—观测量”这个映射学稳，再谈别的。

数据生成方式也很典型：不是从实验室直接抓一堆噪声数据，而是先用数值求解三能级系统的薛定谔方程，扫过 2000 个均匀分布的相位样本，再把对应的 8 维效率拼成训练集。训练、验证、测试按 6:2:2 划分。说白了，这是一套合成数据驱动的监督学习方案，优点是标签干净、可控、可复现；缺点也很明显，现实实验里的噪声和漂移还没被完全纳入。

表2：数据集中的驱动—失谐配置。这里列出了对称驱动、泵浦占优、斯托克斯占优三类条件，以及它们是否采用相应的失谐设定。这个设计的本质是让网络看到“不同角度下的同一个系统”，从而逼它学到相位真正相关的动力学模式，而不是记住某一个特例。

如果把这部分流程压缩成一句话，那就是：先用物理过程把相位编码到可测效率里，再用 MLP 把编码解码回来。这和很多“纯黑箱”机器学习不一样，它不是凭空猜，而是站在物理机制上做逆映射。说得难听一点，模型不是在“理解宇宙”，是在做一件非常务实的事：从有限观测里把最可能的相位找出来。

关于 MLP 的细节，论文还做了几项重要的消融实验。首先，他们比较了不同隐藏层深度和宽度的配置，发现 4 层隐藏层（64-64-32-16）在测试集上取得了最佳的泛化性能，更浅的网络（如 2 层）拟合能力不足，更深的网络（如 6 层）则开始出现过拟合迹象。其次，他们尝试了不同的激活函数组合，发现第一层用 ReLU、后续层用 LeakyReLU（负斜率 0.01）的组合效果最好，这可能是由于 LeakyReLU 能够避免“神经元死亡”问题，保留了更多梯度信息。第三，他们测试了是否需要在输出层之后添加一个额外的归一化层来强制输出落在单位圆上，结果发现直接训练 MSE 损失已经能够使输出自然地分布在单位圆附近，强制归一化反而会引入额外的误差。这些消融实验虽然简单，但为后续研究者提供了宝贵的实践指导。

训练过程中的超参数设置也值得记录。论文采用批量大小为 32 的小批量梯度下降，初始学习率设为 0.001，并采用学习率衰减策略：每 50 个 epoch 将学习率乘以 0.9。早停策略的 patience 设为 20 个 epoch，即验证集损失连续 20 个 epoch 不下降时停止训练。最大训练 epoch 数为 500，但实际训练通常在 150-200 个 epoch 内就触发了早停。训练在单张 NVIDIA GPU 上完成，总耗时不到 10 分钟，充分体现了轻量级模型的优势。数据预处理方面，8 个输入特征被归一化到 [0,1] 区间，归一化参数从训练集计算并保存，用于后续验证集和测试集的变换。

从合成到现实：普适性分析与未来展望

结果层面，这篇论文最值得肯定的不是“某个点特别高”，而是整体回归很稳。训练过程里，损失函数收敛到 10-3 到 10-4 量级，训练集和验证集走势没有明显分叉，说明模型没有明显过拟合。测试集上，预测相位和真实相位基本贴着对角线走，误差也保持在较小范围。这意味着网络确实学到了转移效率背后与相位相关的结构，而不是靠某些偶然相关性蒙对答案。

图3：训练过程。蓝线是训练集损失，橙线是验证集损失。两条曲线都能稳定下降并在较低水平附近收敛，说明早停策略起到了作用，也说明这个回归任务并不需要什么“超大模型神力”，物理先验才是主角。

图4：神经网络在测试集上的表现。左图是预测相位与真实相位的对比，点云紧贴理想对角线；右图是逐样本误差，整体保持较低水平。对一个周期变量回归任务来说，这种表现已经相当干净利落。

更详细地看测试集上的定量结果，论文报告了三个关键指标：平均绝对角度误差（Mean Absolute Angular Error, MAAE）、均方根角度误差（Root Mean Square Angular Error, RMSAE）以及决定系数 R²。在无噪声的理想条件下，MAAE 约为 0.035 rad（约 2 度），RMSAE 约为 0.048 rad，R² 达到 0.997。这意味着模型能够以极高的精度从 8 个效率值中还原出相位。即使考虑到实验中的典型测量误差（假设效率测量精度为 1%），MAAE 仍然保持在 0.08 rad 以内，R² 仍高于 0.98。这种对测量噪声的一定容忍度，为方法的实际应用提供了信心。

论文还分析了误差的分布特征。他们发现，误差并非均匀分布在整个相位区间，而是在相位接近 0 和 ±π 时略大，在相位接近 ±π/2 时最小。这个现象可以从物理上理解：当相位接近 0 或 ±π 时，系统接近可积点，转移效率对相位变化的敏感度降低，因此相同大小的测量噪声会导致更大的相位估计误差。相反，在 ±π/2 附近，效率-相位曲线的斜率最大，信噪比最高。这一发现提示我们，如果未来需要进一步提高测量精度，可以在相位敏感度较低的区域增加额外的测量条件，或者采用自适应测量策略，先粗测相位范围，再针对性地选择最优的驱动-失谐组合进行精细测量。

不过，论文也有边界，不能吹成“实验室万能钥匙”。首先，数据是合成的，模型在理想数值系统上表现很好，不代表一上真实装置就天然稳。现实里会有噪声、参数漂移、脉冲畸变、退相干和测量误差，这些都会让效率—相位关系变得更脏。其次，当前方法依赖多个驱动—失谐配置，虽然每个配置都不复杂，但实验上还是比“只测一个量”要麻烦一些。最后，网络输出是相位的圆周表示，虽然解决了周期边界问题，但后处理时仍需把二维向量还原成角度，实验噪声大时可能会在边界附近抖动。

尽管如此，这篇工作的方向还是挺清楚的：它证明了一个很有意思的事实——量子控制里的“失真”，可以反过来变成测量资源。这对量子传感很有启发。很多时候，研究者总想把系统调到最理想状态，仿佛所有误差都该被抹平；但这篇论文提醒得很直接：有些“误差”本身就携带信息，关键看能不能把它读出来。

从可迁移性看，这个框架并不只属于三能级 ∆ 系统。只要某个系统里存在闭环相位、干涉抑制和可测动力学响应，就有机会把“不可直接测的参数”转成监督学习任务。论文最后提到的超导电路、NV 色心和量子点，都是比较现实的候选平台。真正要走向应用，下一步大概率不是换一个更大的神经网络，而是把噪声建模、实验闭环和特征压缩一起做扎实。

具体来说，在超导量子电路中，可以通过电容耦合或电感耦合实现三能级 ∆ 结构，其中闭环相位可以通过调节微波驱动信号的相对相位来精确控制。NV 色心系统则可以利用其基态的三重态子能级，通过光场和微波场的组合实现闭环耦合。量子点系统可以通过调节栅极电压和隧穿耦合来构建人工三能级结构。对于这些不同的物理平台，本文提出的方法框架可以直接迁移，只需要根据具体系统的哈密顿量重新生成训练数据，并调整特征选择策略即可。论文作者在讨论部分也指出，他们正在与实验组合作，计划在超导 transmon 量子比特系统中验证这一方案，初步的噪声模拟结果显示，在典型实验噪声水平下，相位估计精度仍可保持在 0.1 rad 以内。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文到底解决什么问题？它解决的是“如何从实验可观测量里反推出闭环相位”这个逆问题。论文不是直接测相位，而是先用 STIRAP 的转移效率把相位信息编码进去，再用机器学习把它解码出来。

为什么要把相位编码成二维输出？因为相位是周期量，直接回归角度会在 ±π 边界上出现“数值跳变”。用二维单位圆表示后，模型学到的是连续坐标，训练更稳，也更符合相位本身的几何结构。

这套方法为什么看起来有效？因为输入特征不是随便拍脑袋选的，而是多个驱动与失谐条件下的转移效率。不同条件会放大相位对动力学的影响，组合起来就形成了足够丰富的“相位指纹”，因此 MLP 才能把它学出来。

这个方法对实验误差有多敏感？论文通过向合成数据中添加高斯噪声进行了初步的鲁棒性测试。当效率测量误差的标准差达到 1% 时，相位估计的平均绝对误差仍然保持在 0.08 rad 以内，说明方法对中等程度的实验噪声具有一定的容忍度。但更复杂的噪声源（如参数漂移、脉冲畸变）还需要进一步验证。

这个方法能推广到更多能级的系统吗？理论上可以。只要系统存在闭环结构和规范不变的相位，就可以用类似的思路：先通过动力学过程将相位编码到可观测的布居或效率上，再用机器学习进行解码。但能级数增加后，特征空间会迅速膨胀，需要更精巧的特征选择策略和更大的训练数据集。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★☆

把“STIRAP 失效”改写成“相位传感信号”，思路挺巧，不是纯堆模型，而是物理和机器学习的正向配合。

实验合理度：★★★★☆

数据生成、特征设计、训练验证划分都比较规整，测试集表现也干净。遗憾是目前主要还是合成数据，离真实实验闭环还差一步。

学术研究价值：★★★★☆

对量子传感、闭环相位识别和数据驱动逆问题都有启发，尤其适合做后续噪声鲁棒性和实验验证的起点。

稳定性：★★★☆☆

在理想模型里稳定，但对噪声、漂移和脉冲失真还缺少系统验证，产品化前要先过现实环境这一关。

适应性以及泛化能力：★★★☆☆

方法思路可迁移到其他闭环量子系统，但当前特征和训练分布都围绕特定 ∆ 系统，跨平台泛化还需额外验证。

硬件需求及成本：★★★★☆

模型本身很轻，推理成本低；主要成本在于实验上要构造多组驱动—失谐配置并稳定测量效率。

复现难度：★★★☆☆

数值仿真复现不算难，论文也给出了清晰的流程；但要在真实量子平台复现，门槛明显更高。

产品化成熟度：★★★☆☆

更像是“可落地的原型思路”，适合科研验证与小规模实验平台；离通用传感产品还需要噪声鲁棒性和在线校准能力。

可能的问题：训练数据来自理想数值模拟，现实噪声与参数漂移未充分覆盖；若实验条件偏离训练分布，性能可能明显回落。

主要参考文献

[1] A. Acin et al. The Quantum Technologies Roadmap: A European Community View. New Journal of Physics, 2018.

[3] C. L. Degen, F. Reinhard, and P. Cappellaro. Quantum Sensing. Reviews of Modern Physics, 2017.

[8] K. Bergmann, H. Theuer, and B. W. Shore. Coherent Population Transfer among Quantum States of Atoms and Molecules. Reviews of Modern Physics, 1998.

[9] N. V. Vitanov et al. Stimulated Raman Adiabatic Passage in Physics, Chemistry, and Beyond. Reviews of Modern Physics, 2017.

[15] T. J. Pope et al. Coherent Trapping in Small Quantum Networks. Journal of Statistical Mechanics: Theory and Experiment, 2019.

[29] D. P. Kingma and J. Ba. Adam: A Method for Stochastic Optimization. 2014.

原文链接：https://arxiv.org/pdf/2607.15040v1.pdf

量子系统里最难的，往往不是“有没有信号”，而是“信号藏得太深”。如果这类把物理规律和机器学习拧在一起的工作让人上头，欢迎加入龙哥读论文粉丝群，和一群认真又爱抬杠的朋友继续拆论文、聊方法、看门道。扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称，方便更快通过。

欢迎加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称（如图像处理+上海+清华+龙哥），根据格式备注，可更快被通过且邀请进群。
『龙哥读论文』微信群目前包含：图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个群
wechat_helper