Обнаружение сигнала и оценка фазы: почему это разные квантовые задачи

Автор: Казачкин Даниил Михайлович · Обновлено 25 сентября 2026 г.

Две известные гипотезы, непрерывная оценка и неопределённый исход: как выбрать метрику и не перенести узкое преимущество на все измерения.

# Обнаружение сигнала и оценка фазы

Разработчик получает задачу «измерить фазу» и проектирует функцию, возвращающую число. Исследователь при этом мог иметь в виду совсем другой интерфейс: выбрать одно из двух заранее известных состояний. Различие определяет не только формат результата, но и допустимые ошибки, обучение, объём данных и честность сравнения методов.

Три контракта измерительной программы

В задаче обнаружения вход связан с одной из двух гипотез: например, фаза равна нулю либо фиксированному значению. Выход — метка. В задаче оценивания допустим непрерывный диапазон фаз, а выходом становится число и характеристика неопределённости. В третьем контракте разрешён ответ «данных недостаточно». Тогда частота отказов должна входить в отчёт, иначе система может выглядеть безошибочной, почти никогда не отвечая.

Обзор Barnett и Croke рассматривает различение квантовых состояний. Неортогональные состояния нельзя всегда однозначно различить по единственному экземпляру без ограничений на исход; разные постановки оптимизации используют разные условия успеха. Авторский обзор. Это физическое ограничение, которое нельзя исправить простым увеличением сложности классификатора после измерения.

Собственный пример с одинаковой точностью

Пусть настоящий параметр принимает четыре значения: 0, 1, 2, 3. Для обнаружения события договоримся, что значения от 2 означают сигнал. Два оценивателя возвращают разные числа. Проверим и метки, и средний квадрат ошибки.

truth = [0.0, 1.0, 2.0, 3.0]
near = [0.1, 1.1, 2.1, 2.9]
far = [-4.0, -3.0, 8.0, 9.0]

def metrics(prediction):
    accuracy = sum((a >= 2) == (b >= 2)
                   for a, b in zip(truth, prediction)) / len(truth)
    mse = sum((a - b) ** 2 for a, b in zip(truth, prediction)) / len(truth)
    return round(accuracy, 3), round(mse, 3)

print(metrics(near))
print(metrics(far))

Оба способа дают точность обнаружения 1,0. Но MSE равен 0,01 у первого и 26,0 у второго. Это искусственная иллюстрация несовпадения задач: корректная метка ничего не говорит о точности числа внутри класса. Никаких квантовых данных в примере нет.

Обратная проблема тоже возможна. Метод с небольшим средним отклонением может часто переходить через критическую границу для объектов, находящихся рядом с ней. Поэтому низкий MSE сам по себе не гарантирует нужную вероятность пропуска события. Предметная задача должна определить, какая разновидность ошибки важнее.

Как сравнить две исследовательские схемы

Сначала составьте паспорт эксперимента: известны ли альтернативы заранее, разрешено ли повторное измерение, одинаковы ли время и энергия, как учитываются отказы. Затем зафиксируйте один протокол расчёта качества. Общий контекст измерительных протоколов дан в обзоре Quantum sensing; приведённая здесь форма паспорта — наш инженерный инструмент.

Например, устройство A делает десять коротких измерений, а устройство B — одно длинное. Сравнение ошибок на один запуск может скрыть разницу времени и расхода ресурса. Выбор нормировки зависит от приложения: число образцов в час, повреждение объекта светом или суммарная энергия. Полезно публиковать несколько таких величин, не подменяя их одним словом «чувствительность».

Отказ от ответа не бесплатен

Рассмотрим ещё один собственный сценарий. Из ста запусков система отвечает в десяти и во всех десяти права. Условная точность среди ответов равна 100%, а покрытие — 10%. Для ручной проверки редких случаев это может быть полезно. Для автоматической сортировки всех образцов потребуется решить судьбу оставшихся девяноста. Поэтому в журнале стоит хранить и результат, и причину отсутствия результата.

При повторном измерении появляется ещё один ресурс — время. Если повторяют только трудные случаи, средняя стоимость запуска меняется в зависимости от состава данных. Сравнивать устройства нужно на одной последовательности случаев либо явно моделировать её распределение. Это рассуждение относится и к обычным сервисам распознавания.

Разобрав контракт, вернитесь к [исследованию APS](/research/antisqueezed-cat-states-phase-detection): его название специально говорит о заданном фазовом сдвиге. Следующий шаг — [решение по фотонным отсчётам](/research/photon-counts-likelihood-decisions), где частоты гипотез и цена ошибки превращаются в конкретное правило.

Обучение с учителем и без учителя: как выбрать постановку — Способ обучения выбирают по тому, какие данные и ответы доступны, а не по модности алгоритма. Главная развилка проста: существует ли для исторических объектов целевая переменная,…
Метрики регрессии: MAE, MSE, RMSE и R² — Метрика регрессии превращает набор ошибок в одно число, но разные формулы отвечают на разные вопросы. Выбор между MAE, MSE, RMSE и R² должен учитывать единицы измерения, цену…

Источники

Формат и права

Формат: Авторский разбор

Атрибуция

Авторский русскоязычный разбор ЯдроКода с первичными источниками. Учебные примеры и инженерные предположения отделены от результатов исследований. Не перевод и не перепечатка.

Код, данные и иллюстрации

Таблицы, код и синтетические данные созданы для этого материала. Иллюстрации, код и экспериментальные данные авторов исследований не переносятся.

Загружаем научный разбор