Ny metode til maskinlæring-assisteret metode klassificerer hurtigt kvantekilder

For at kvanteoptiske teknologier skal blive mere praktiske, der er behov for storskala integration af kvantefotoniske kredsløb på chips.

Denne integration kræver opskalering af de vigtigste byggesten i disse kredsløb - kilder til partikler af lys - produceret af enkelte optiske kvanteemittere.

Ingeniører fra Purdue University skabte en ny maskinindlæringsassisteret metode, der kunne gøre kvantefotonisk kredsløbsudvikling mere effektiv ved hurtigt at forudvalge disse kvantumemittere i fast tilstand.

Værket er offentliggjort i tidsskriftet Avancerede Quantum Technologies .

Forskere rundt om i verden har undersøgt forskellige måder at fremstille identiske kvantekilder ved at "transplantere" nanostrukturer, der indeholder enkelte kvanteoptiske emittere i konventionelle fotoniske chips.

"Med den stigende interesse for skalerbar realisering og hurtig prototyping af kvanteenheder, der bruger store emitterarrays, høj hastighed, robust forudvalg af egnede emittere bliver nødvendigt, sagde Alexandra Boltasseva, Purdues Ron og Dotty Garvin Tonjes Professor i el- og computerteknik.

Kvantemittere producerer lys med unikke, ikke-klassiske egenskaber, der kan bruges i mange kvanteinformationsprotokoller.

Udfordringen er, at grænsefladen mellem de fleste solid-state kvanteemittere med eksisterende skalerbare fotoniske platforme kræver komplekse integrationsteknikker. Inden integration, ingeniører skal først identificere lyse emittere, der producerer enkelte fotoner hurtigt, on-demand og med en bestemt optisk frekvens.

Emitter forudvalg baseret på "single-foton renhed"-som er evnen til kun at producere en foton ad gangen-tager typisk flere minutter for hver emitter. Tusindvis af emittere skal muligvis analyseres, før de finder en kandidat af høj kvalitet, der er egnet til integration med kvantechips.

For at fremskynde screening baseret på renhed af enkeltfoton, Purdue-forskere uddannede en maskine til at genkende lovende mønstre i enkelt-fotonemission inden for et splitsekund.

Ifølge forskerne, hurtigt at finde de reneste enkelt-foton-emittere inden for et sæt af tusinder ville være et vigtigt skridt i retning af praktisk og skalerbar samling af store kvantefotoniske kredsløb.

"I betragtning af en fotonrenhedsstandard, som emittere skal opfylde, vi har lært en maskine at klassificere enkelt-fotonemittere som tilstrækkeligt eller utilstrækkeligt 'rene' med 95% nøjagtighed, baseret på minimale data indsamlet inden for kun et sekund, "sagde Zhaxylyk Kudyshev, en postdoktor i Purdue.

Forskerne fandt ud af, at den konventionelle måling af fotonrenhed, der blev brugt til den samme opgave, tog 100 gange længere tid at nå det samme nøjagtighedsniveau.

"Maskinlæringsmetoden er en så alsidig og effektiv teknik, fordi den er i stand til at udtrække de oplysninger fra datasættet, som tilpasningsproceduren normalt ignorerer, "Sagde Boltasseva.

Forskerne mener, at deres tilgang har potentiale til dramatisk at fremme de fleste kvanteoptiske målinger, der kan formuleres som binære eller multiklassificeringsproblemer.

"Vores teknik kunne for eksempel, fremskynde superopløsningsmikroskopimetoder bygget på højere ordenskorrelationsmålinger, der i øjeblikket er begrænset af lange billedoptagelsestider, "Sagde Kudyshev.