Deep learning-based variational autoencoder for classification of quantum and classical states of light

要約

光量子技術の進歩は、光の生成、操作、特性評価と、光子の統計に基づく識別によって可能になりました。
ただし、単一光子測定を通じて光とその光源を特徴付けるには、多くの場合、高品質の光子統計を取得するために効率的な検出器とより長い測定時間が必要です。
ここでは、単一光子付加コヒーレント状態 (SPACS)、単一光子付加熱状態 (SPACS)、コヒーレント/SPACS と光の熱/SPATS 間の混合状態を分類するための、深層学習ベースの変分オートエンコーダー (VAE) 方法を紹介します。
当社の半教師あり学習ベースの VAE は、光の光子統計特性をより低い次元に効率的にマッピングし、低い平均光子数での準瞬時の分類を可能にします。
提案された VAE 手法は堅牢であり、有限の収集効率、非単一量子効率、有限の検出器数など、実験に固有の損失が存在する場合でも分類精度を維持します。さらに、VAE の転移学習機能を活用することで、成功した分類が可能になります。
単一のトレーニング済みモデルを使用して、あらゆる品質のデータを分類します。
私たちは、このようなディープラーニング手法により、検出品質が低い場合でも量子光と光源をより適切に分類できるようになると考えています。

要約(オリジナル)

Advancements in optical quantum technologies have been enabled by the generation, manipulation, and characterization of light, with identification based on its photon statistics. However, characterizing light and its sources through single photon measurements often requires efficient detectors and longer measurement times to obtain high-quality photon statistics. Here we introduce a deep learning-based variational autoencoder (VAE) method for classifying single photon added coherent state (SPACS), single photon added thermal state (SPACS), mixed states between coherent/SPACS and thermal/SPATS of light. Our semisupervised learning-based VAE efficiently maps the photon statistics features of light to a lower dimension, enabling quasi-instantaneous classification with low average photon counts. The proposed VAE method is robust and maintains classification accuracy in the presence of losses inherent in an experiment, such as finite collection efficiency, non-unity quantum efficiency, finite number of detectors, etc. Additionally, leveraging the transfer learning capabilities of VAE enables successful classification of data of any quality using a single trained model. We envision that such a deep learning methodology will enable better classification of quantum light and light sources even in the presence of poor detection quality.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google