通过机器学习提升过渡边缘传感器的光子数分辨检测率
量子物理
2025-06-02 v1 仪器与探测器
摘要
过渡边缘传感器（TES）是有效的光子数分辨（PNR）探测器，已使许多光子量子技术得以实现。然而，其相对较慢的热恢复时间严重限制了其在实验场景下的运行速率，远低于领先的非 PNR 探测器。在本工作中，我们发展了一种算法方法，使 TES 能够在检测事件之间无需完全恢复即可检测并准确分类光子脉冲。我们提出了两种基于机器学习的信号处理方法：一种监督学习方法和一种无监督聚类方法。通过对比使用相干态和压缩态获得的数据，我们表明该方法将 TES 的运行速率提升至 800 kHz，至少实现了四倍的提升，同时保持对最多五光子的准确光子数分配。我们的算法将在需要高速 PNR 探测的应用场景以及要求快速主动反馈 PNR 探测结果的技术中发挥作用。
引用
@article{arxiv.2411.15360,
title = {Boosting Photon-Number-Resolved Detection Rates of Transition-Edge Sensors by Machine Learning},
author = {Zhenghao Li and Matthew J. H. Kendall and Gerard J. Machado and Ruidi Zhu and Ewan Mer and Hao Zhan and Aonan Zhang and Shang Yu and Ian A. Walmsley and Raj B. Patel},
journal= {arXiv preprint arXiv:2411.15360},
year = {2025}
}
备注
18 pages, 7 figures including supplimental material