論文の概要: Neural network-based on-chip spectroscopy using a scalable plasmonic encoder

• arxiv url: http://arxiv.org/abs/2012.00878v1
• Date: Tue, 1 Dec 2020 22:50:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-30 19:25:35.937670
• Title: Neural network-based on-chip spectroscopy using a scalable plasmonic encoder
• Title（参考訳）: スケーラブルプラズモニックエンコーダを用いたニューラルネットワークに基づくオンチップ分光
• Authors: Calvin Brown, Artem Goncharov, Zachary Ballard, Mason Fordham, Ashley Clemens, Yunzhe Qiu, Yair Rivenson and Aydogan Ozcan
• Abstract要約: 従来の分光計は、サイズ、コスト、信号対雑音比(SNR)、スペクトル分解能によって設定されるトレードオフによって制限される。 本稿では,小型で低コストなオンチップセンシング方式を用いて,深層学習に基づくスペクトル再構成フレームワークを実証する。
• 参考スコア（独自算出の注目度）: 0.4397520291340694
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional spectrometers are limited by trade-offs set by size, cost, signal-to-noise ratio (SNR), and spectral resolution. Here, we demonstrate a deep learning-based spectral reconstruction framework, using a compact and low-cost on-chip sensing scheme that is not constrained by the design trade-offs inherent to grating-based spectroscopy. The system employs a plasmonic spectral encoder chip containing 252 different tiles of nanohole arrays fabricated using a scalable and low-cost imprint lithography method, where each tile has a unique geometry and, thus, a unique optical transmission spectrum. The illumination spectrum of interest directly impinges upon the plasmonic encoder, and a CMOS image sensor captures the transmitted light, without any lenses, gratings, or other optical components in between, making the entire hardware highly compact, light-weight and field-portable. A trained neural network then reconstructs the unknown spectrum using the transmitted intensity information from the spectral encoder in a feed-forward and non-iterative manner. Benefiting from the parallelization of neural networks, the average inference time per spectrum is ~28 microseconds, which is orders of magnitude faster compared to other computational spectroscopy approaches. When blindly tested on unseen new spectra (N = 14,648) with varying complexity, our deep-learning based system identified 96.86% of the spectral peaks with an average peak localization error, bandwidth error, and height error of 0.19 nm, 0.18 nm, and 7.60%, respectively. This system is also highly tolerant to fabrication defects that may arise during the imprint lithography process, which further makes it ideal for applications that demand cost-effective, field-portable and sensitive high-resolution spectroscopy tools.
• Abstract（参考訳）: 従来の分光器はサイズ、コスト、信号対雑音比(snr)、スペクトル分解能によって制限されている。 本稿では,小型で低コストなオンチップセンシング方式を用いて,grating-based spectroscopyに固有の設計トレードオフに制約されない深層学習に基づくスペクトル再構成の枠組みを示す。 スケーラブルで低コストなインプリントリソグラフィー法を用いて作製した252種類のナノホールアレイを含むプラズモニックスペクトルエンコーダチップを用いており、各タイルはユニークな形状を有し、そのためユニークな光透過スペクトルを有する。 関心の照明スペクトルはプラズモンエンコーダに直接干渉し、CMOSイメージセンサは、レンズ、格子、その他の光学部品を介さずに透過光を捕捉し、ハードウェア全体が非常にコンパクトで、軽量で、フィールド可搬性になる。 トレーニングされたニューラルネットワークは、スペクトルエンコーダから送信された強度情報を用いて未知のスペクトルをフィードフォワードおよび非イテレーティブな方法で再構成する。 ニューラルネットワークの並列化の恩恵を受けると、スペクトルごとの平均推定時間は28マイクロ秒であり、これは他の計算分光法のアプローチよりも桁違いに速い。 複雑度が異なる新しいスペクトル (n = 14648) を盲目的に測定したところ, 平均ピーク局在誤差, 帯域誤差, 高さ誤差はそれぞれ0.19 nm, 0.18 nm, 7.60%のスペクトルピーク96.86%であった。 このシステムは、インプリントリソグラフィプロセス中に生じる可能性のある製造欠陥にも耐性があり、コスト効率が高く、フィールドポータブルで感度の高い高分解能分光ツールを必要とするアプリケーションにはさらに理想的である。

関連論文リスト

• Unmixing Optical Signals from Undersampled Volumetric Measurements by Filtering the Pixel Latent Variables [5.74378659752939]
  遅延アンミキシング(Latent Unmixing)は、マルチスペクトルニューラルネットワークの潜在空間に帯域通過フィルタを適用する新しいアプローチである。 これは、特にアンダーサンプル分布の文脈において、個々の信号のコントリビューションのより優れた分離と定量化を可能にする。 本手法の物理実験における実用的利用を,本手法の汎用性を強調する2つの試験事例を通して紹介する。
  論文  参考訳（メタデータ） (2023-12-08T20:34:37Z)
• Digital noise spectroscopy with a quantum sensor [57.53000001488777]
  本稿では,ノイズプロセスの自己相関をサンプリングし,再構成するための量子センシングプロトコルを実験的に導入し,実証する。 ウォルシュノイズ分光法はスピンフリップパルスの単純な配列を利用してディジタルフィルタの完全基底を生成する。 ダイヤモンド中の単一窒素空孔中心の電子スピン上での核スピン浴により生じる有効磁場の自己相関関数を実験的に再構成した。
  論文  参考訳（メタデータ） (2022-12-19T02:19:35Z)
• Removing grid structure in angle-resolved photoemission spectra via deep learning method [0.0]
  ARPES実験では、ワイヤメッシュがCCDの前に置かれ、格子状の光電子を遮断するが、迅速な測定モード中にスペクトルの格子状構造を引き起こす可能性がある。 本稿では,この問題を効果的に克服するためのディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-10-20T12:24:37Z)
• On-chip quantum information processing with distinguishable photons [55.41644538483948]
  多光子干渉は光量子技術の中心にある。 そこで本研究では,共振器型集積光子源に必要なスケールで変形した光子を干渉させるのに十分な時間分解能で検出を実装できることを実験的に実証した。 ボソンサンプリング実験において,非イデアル光子の時間分解検出がエンタングル操作の忠実度を向上し,計算複雑性の低減を図ることができることを示す。
  論文  参考訳（メタデータ） (2022-10-14T18:16:49Z)
• Toward deep-learning-assisted spectrally-resolved imaging of magnetic noise [52.77024349608834]
  本研究では,基礎となるゆらぎ磁場のスペクトル密度を効率的に再構成するディープニューラルネットワークを実装した。 これらの結果は、色中心に基づくナノスケールセンシングとイメージングに機械学習手法を適用する機会を生み出す。
  論文  参考訳（メタデータ） (2022-08-01T19:18:26Z)
• Single-Shot Optical Neural Network [55.41644538483948]
  深層ニューラルネットワークに必要な計算資源を削減するために,「重定常」アナログ光学・電子ハードウェアが提案されている。 我々は、スケーラブルで1層当たり単発の重み付き光学プロセッサを提案する。
  論文  参考訳（メタデータ） (2022-05-18T17:49:49Z)
• Unsupervised Spectral Unmixing For Telluric Correction Using A Neural Network Autoencoder [58.720142291102135]
  本研究では,HARPS-N線速度スペクトルから高精度の太陽スペクトルを抽出するニューラルネットワークオートエンコーダ手法を提案する。
  論文  参考訳（メタデータ） (2021-11-17T12:54:48Z)
• Optical-domain spectral super-resolution via a quantum-memory-based time-frequency processor [0.0]
  我々は、分光におけるレイリー限界に打ち勝つために、光学場の完全なスペクトル情報を利用する。 我々は、入力光の時間反転干渉計を実装するために、スピン波ストレージと組み込み処理機能を備えた光量子メモリを用いる。 我々の調整された測定は15kHzの解像度を実現し、対応するレイリー制限方式の20倍の光子を必要とする。
  論文  参考訳（メタデータ） (2021-06-08T15:35:41Z)
• Regularization by Denoising Sub-sampled Newton Method for Spectral CT Multi-Material Decomposition [78.37855832568569]
  スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。 特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。 スペクトルct材料分解の数値的および実験的結果を示す。
  論文  参考訳（メタデータ） (2021-03-25T15:20:10Z)
• Spectrally-Encoded Single-Pixel Machine Vision Using Diffractive Networks [6.610893384480686]
  物質3次元工学は、光-物質相互作用によって様々な計算タスクを実行できるシステムを設計するための新たな道を開いた。 本稿では,物体の空間情報を回折光のパワースペクトルに変換・符号化するために,深層学習を用いて学習した多層回折層による光ネットワークの設計を実証する。 我々は,10波長の回折光のスペクトルパワーを検出し,手書き桁の画像を光学的に分類するために,テラヘルツスペクトルでこのマシンビジョンフレームワークを実験的に検証した。
  論文  参考訳（メタデータ） (2020-05-15T09:18:21Z)
• Deep Neural Networks for the Correction of Mie Scattering in Fourier-Transformed Infrared Spectra of Biological Samples [0.0]
  本稿では,この複雑な前処理関数をディープニューラルネットワークを用いて近似する手法を提案する。 提案手法は, 時間と補正スペクトルとのトレードオフを克服し, 人工基準スペクトルに偏りを生じさせる。
  論文  参考訳（メタデータ） (2020-02-18T16:07:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。