利用潜神经常微分方程加速量子发射体表征
量子物理
2024-11-19 v1 材料科学
机器学习
摘要
深度神经网络模型可用于从数据中学习复杂动力学并重建稀疏或含噪信号，从而加速和增强实验测量。评估固态单光子发射体的量子光学特性是一项耗时的任务，通常需要干涉式光子关联实验，例如测量时间分辨单发射体线形的光子关联傅里叶光谱（PCFS）。在这里，我们展示了一个潜神经常微分方程模型，该模型可以从一小部分含噪关联函数中预测出完整且无噪声的 PCFS 实验。通过将测量的光子关联编码为一个初值问题，该神经常微分方程可以传播到任意数量的干涉仪延迟时间。我们使用 10 个含噪光子关联函数来演示这一点，这些函数被用于外推整个去噪干涉图，最多可达 200 个平台位置，从而将实验采集时间从约 3 小时加速到 10 分钟，实现了高达 20 倍的加速。我们的工作提出了一种利用深度学习极大加速新型量子发射体材料实验表征的新方法。
引用
@article{arxiv.2411.11191,
title = {Accelerating Quantum Emitter Characterization with Latent Neural Ordinary Differential Equations},
author = {Andrew H. Proppe and Kin Long Kelvin Lee and Weiwei Sun and Chantalle J. Krajewska and Oliver Tye and Moungi G. Bawendi},
journal= {arXiv preprint arXiv:2411.11191},
year = {2024}
}