迁移学习与基于机器学习方法的单光子源质量早期估计

单光子源（SPS）的使用是现代量子技术浪潮中众多系统和设备的核心。然而，制造方案仍不完善，单光子发射纯度往往需要通过干涉测量进行实验验证。这一过程通常缓慢且昂贵，这促使越来越多的研究探讨是否可以从不完整的发射统计中更快速地推断 SPS 质量。因此，本研究是对先前工作的延续，该先前工作证明了标准质量估计方法——即对物理动机函数进行最小二乘拟合——存在显著不确定性，并提出问题：机器学习（ML）能否做得更好？本研究利用八个数据集，这些数据集来自对一种示例性量子发射器——即单个 InGaAs/GaAs 外延量子点——的测量；这八个情境主要在激发激光强度上有所不同。具体而言，通过一种「迁移学习」形式，五个 ML 模型（三个线性和两个集成模型）在七个情境的数据上进行训练，并在第八个情境上进行测试。验证指标迅速揭示，即使线性回归器在训练于相同情境时也能优于标准拟合，但迁移学习的成功性并不那么确定，尽管通过数据增强实现的统计分析表明其作为早期估计器的优越性。因此，本研究最后讨论了应对 SPS 情境差异问题的未来策略，例如特征工程和模型适配。