基于深度学习的变分自编码器用于光的量子态与经典态分类
量子物理
2024-05-09 v1 机器学习
计算物理
摘要
光的产生、操控与表征，以及基于其光子统计特性的识别，推动了光学量子技术的进步。然而，通过单光子测量来表征光及其光源通常需要高效的探测器和较长的测量时间才能获得高质量的光子统计。在此，我们引入一种基于深度学习的变分自编码器（VAE）方法，用于对单光子增加相干态（SPACS）、单光子增加热态（SPATS）、相干态/SPACS 与热态/SPATS 之间的混合态等光态进行分类。我们基于半监督学习的 VAE 有效地将光的光子统计特征映射到较低维度，实现了在低平均光子数下的准瞬时分类。所提出的 VAE 方法具有鲁棒性，在存在实验固有损耗（如有限收集效率、非单位量子效率、有限数量的探测器等）的情况下仍能保持分类准确率。此外，利用 VAE 的迁移学习能力，可以使用单个训练好的模型成功对任意质量的数据进行分类。我们设想，这种深度学习方法即使在探测质量较差的情况下，也能实现对量子光和光源的更好分类。
引用
@article{arxiv.2405.05243,
title = {Deep learning-based variational autoencoder for classification of quantum and classical states of light},
author = {Mahesh Bhupati and Abhishek Mall and Anshuman Kumar and Pankaj K. Jha},
journal= {arXiv preprint arXiv:2405.05243},
year = {2024}
}