基于粒子群算法的量子测量系统最优参数求解

doi:10.3969/j.issn.1009-086x.2023.06.018

摘要/Abstract

摘要：

基于里德堡原子的量子测量系统相对传统测量方法具有颠覆性优势，是量子探测领域重要发展方向。然而量子测量系统要对多个实验参数进行优化以提升性能，在理论和实验上采用全空间参数扫描的直接优化方式通常比较困难。通过建立量子测量系统信号强度理论模型，并将粒子群算法应用到模型参数优化中，可快速求解测量系统全局最优参数，计算复杂度相比于传统方法降低1个数量级以上。粒子群算法原则上能应用到其他任何量子测量系统中，指导系统快速提升性能，推进实用化进程。

关键词: 粒子群算法, 量子测量系统, 里德堡原子, 实验参数, 全局搜索

Abstract:

The quantum measurement system based on Rydberg atoms has subversive advantages over traditional measurement methods and is an important development direction in the field of quantum detection. However， quantum measurement systems need to optimize multiple experimental parameters to improve performance. It is usually difficult to use the direct optimization method of full-space parameter scanning in theory and experiment. By building a theoretical model of the quantum measurement system and applying the particle swarm optimization algorithm to the parameter optimization of the model， this paper can quickly solve the global optimal parameters of the system. The computational complexity is reduced by more than one order of magnitude compared with that of the traditional method. In principle， the particle swarm algorithm can be applied to any other quantum measurement system to guide the system to quickly improve performance and promote the practical process.

Key words: particle swarm optimization（PSO）, quantum measurement system, Rydberg atom, experimental conditions, global search

中图分类号:

O471.1

杜石桥, 李贵兰, 寇军, 郝赫, 吴同, 秦国卿, 高红卫. 基于粒子群算法的量子测量系统最优参数求解[J]. 现代防御技术, 2023, 51(6): 155-161.

Shiqiao DU, Guilan LI, Jun KOU, He HAO, Tong WU, Guoqing QIN, Hongwei GAO. Fast Search of Quantum Measurement System Parameters via Particle Swarm Optimization[J]. Modern Defense Technology, 2023, 51(6): 155-161.

图/表 7

图1 里德堡量子测量系统原理图

Fig. 1 Rydberg quantum measurement system

图2 里德堡量子测量系统建模与计算

Fig. 2 Modeling and calculations of Rydberg quantum measurement system

图3 粒子飞行轨迹图

Fig. 3 Trajectory of particle flying

图4 粒子群优化算法流程图

Fig. 4 Flow chart of particle swarm optimization

图5 粒子群随着代数的演化

Fig. 5 Evolution of particle swarms

表1 不同速度缩放系数取值

Table 1 Different velocity scaling factors

序号	c₀	c₁	c₂
1	0.25	0.25	0.50
2	0.25	0.50	0.25
3	0.50	0.25	0.25

图6 不同速度缩放系数下适应度随着代数的变化

Fig. 6 Evolutions of fitness in different velocity scaling factors

参考文献 21

1	SEDLACEK J A， SCHWETTMANN A， KÜBLER H， et al. Microwave Electrometry with Rydberg Atoms in a Vapour Cell Using Bright Atomic Resonances［J］. Nature Physics， 2012， 8（11）： 819-824.
2	FAN Haoquan， KUMAR S， SEDLACEK J， et al. Atom Based RF Electric Field Sensing［J］. Journal of Physics B： Atomic， Molecular and Optical Physics， 2015， 48（20）： 202001.
3	HOLLOWAY C L， GORDON J A， SCHWARZKOPF A， et al. Sub-Wavelength Imaging and Field Mapping via Electromagnetically Induced Transparency and Autler-Townes Splitting in Rydberg Atoms［J］. Applied Physics Letters， 2014， 104（24）： 244102.
4	ANDERSON D A， RAITHEL G. Continuous-Frequency Measurements of High-Intensity Microwave Electric Fields with Atomic Vapor Cells［J］. Applied Physics Letters， 2017， 111（5）： 053504.
5	HOLLOWAY C L， SIMONS M T， GORDON J A， et al. Electric Field Metrology for SI Traceability： Systematic Measurement Uncertainties in Electromagnetically Induced Transparency in Atomic Vapor［J］. Journal of Applied Physics， 2017， 121（23）： 233106.
6	KUMAR S， FAN Haoquan， KÜBLER H， et al. Atom-Based Sensing of Weak Radio Frequency Electric Fields Using Homodyne Readout［J］. Scientific Reports， 2017， 7（1）： 42981.
7	WADE C G， ŠIBALIĆ N， DE MELO N R， et al. Real-Time Near-Field Terahertz Imaging with Atomic Optical Fluorescence［J］. Nature Photonics， 2017， 11（1）： 40-43.
8	COX K C， MEYER D H， FATEMI F K， et al. Quantum-Limited Atomic Receiver in the Electrically Small Regime［J］. Physical Review Letters， 2018， 121（11）： 110502.
9	GORDON J A， SIMONS M T， HADDAB A H， et al. Weak Electric-Field Detection with Sub-1 Hz Resolution at Radio Frequencies Using a Rydberg Atom-Based Mixer［J］. AIP Advances， 2019， 9（4）： 045030.
10	DOWNES L A， MACKELLAR A R， WHITING D J， et al. Full-Field Terahertz Imaging at Kilohertz Frame Rates Using Atomic Vapor［J］. Physical Review X， 2020， 10（1）： 011027.
11	MEYER D H， CASTILLO Z A， COX K C， et al. Assessment of Rydberg Atoms for Wideband Electric Field Sensing［J］. Journal of Physics B： Atomic， Molecular and Optical Physics， 2020， 53（3）： 034001.
12	JING Mingyong， HU Ying， MA Jie， et al. Atomic Superheterodyne Receiver Based on Microwave-Dressed Rydberg Spectroscopy［J］. Nature Physics， 2020， 16（9）： 911-915.
13	MEYER D H， KUNZ P D， COX K C. Waveguide-Coupled Rydberg Spectrum Analyzer from 0 to 20 GHz［J］. Physics Review Applied， 2021， 15（1）： 014053.
14	樊佳蓓，郝丽萍，白景旭，等. 基于Rydberg原子的高灵敏微波探测与通信［J］. 物理学报， 2021， 70（6）： 90-96.
	FAN Jiabei， HAO Liping， BAI Jingxu， et al. High-Sensitive Microwave Sensor and Communication Based on Rydberg Atoms［J］. Acta Physica Sinica， 2021， 70（6）： 90-96.
15	HOLLOWAY C L， PRAJAPATI N， ARTUSIO-GLIMPSE A B， et al. Rydberg Atom-Based Field Sensing Enhancement Using a Split-Ring Resonator［J］. Applied Physics Letters， 2022， 120（20）： 204001.
16	CAI Minghao， XU Zishan， YOU Shuhang， et al. Sensitivity Improvement and Determination of Rydberg Atom-Based Microwave Sensor［J］. Photonics， 2022， 9（4）： 250.
17	WANG Yanchao， Jian LÜ， ZHU Li， et al. CALYPSO： A Method for Crystal Structure Prediction［J］. Computer Physics Communications， 2012， 183（10）： 2063-2070.
18	马艳艳，金宏斌，李浩，等. 改进粒子群算法在雷达组网优化布站中的应用［J］. 现代防御技术， 2020， 48（3）： 104-112.
	MA Yanyan， JIN Hongbin， LI Hao， et al. Application of Improved PSO Algorithm in Radar-Net Deployment［J］. Modern Defence Technology， 2020， 48（3）： 104-112.
19	宋卫星，武婧婧，董志鹏，等. 基于成本分析的装备维修调度优化模型［J］. 现代防御技术， 2021， 49（5）： 88-94.
	SONG Weixing， WU Jingjing， DONG Zhipeng， et al. Equipment Maintenance Scheduling Optimization Model Based on Cost Analysis［J］. Modern Defence Technology， 2021， 49（5）： 88-94.
20	潘楠，刘海石，陈启用，等. 多基地多目标无人机协同任务规划算法研究［J］. 现代防御技术， 2021， 49（2）： 49-56.
	PAN Nan， LIU Haishi， CHEN Qiyong， et al. Study on Cooperative Mission Planning Algorithm for Multi-base and Multi-target UAV［J］. Modern Defence Technology， 2021， 49（2）： 49-56.
21	王嵩乔，夏海宝，许蕴山，等. 降低OFDM雷达PAPR的SLM改进算法研究［J］. 现代防御技术， 2018， 46（4）： 163-168.
	WANG Songqiao， XIA Haibao， XU Yunshan， et al. Improved SLM Algorithm for Reducing PAPR of OFDM Radar［J］. Modern Defence Technology， 2018， 46（4）： 163-168.

[1]	屈长虹, 宋钰, 王坤, 崔清勇, 陈蒋洋. 基于PSO算法的反无地基战术激光系统部署方法[J]. 现代防御技术, 2023, 51(5): 15-24.
[2]	宋卫星, 武婧婧, 董志鹏, 张君, 周凯. 基于成本分析的装备维修调度优化模型[J]. 现代防御技术, 2021, 49(5): 88-94.
[3]	潘楠, 刘海石, 陈启用, 颜礼贤, 郭晓珏. 多基地多目标无人机协同任务规划算法研究[J]. 现代防御技术, 2021, 49(2): 49-56.
[4]	马艳艳, 金宏斌, 李浩, 张辉. 改进粒子群算法在雷达组网优化布站中的应用[J]. 现代防御技术, 2020, 48(3): 104-112.
[5]	俞宙, 单甘霖, 段修生. 面向区域覆盖的多传感器优化布站[J]. 现代防御技术, 2018, 46(6): 94-101.
[6]	王嵩乔, 夏海宝, 许蕴山, 李德芳. 降低OFDM雷达PAPR的SLM改进算法研究[J]. 现代防御技术, 2018, 46(4): 163-168.