論文の概要: Efficient sorting of orbital-angular-momentum states with large
topological charges and their unknown superpositions via machine learning
- arxiv url: http://arxiv.org/abs/2105.13621v1
- Date: Fri, 28 May 2021 06:56:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-29 04:45:50.954818
- Title: Efficient sorting of orbital-angular-momentum states with large
topological charges and their unknown superpositions via machine learning
- Title（参考訳）: 大きなトポロジカル電荷をもつ軌道角運動状態の効率的なソートと機械学習による未知の重ね合わせ
- Authors: Ling-Feng Zhang, Ya-Yi Lin, Zhen-Yue She, Zhi-Hao Huang, Jia-Zhen Li,
Hui Yan, Wei Huang, Dan-Wei Zhang, and Shi-Liang Zhu
- Abstract要約: 軌道角運動量(OAM)を運ぶ光は、その非有界な状態空間のために光学的操作と通信において重要な役割を果たす。
ここでは、ニューラルネットワークが、大きなトポロジカル電荷と未知の重ね合わせを持つOAMモードをソートするように訓練できることを実証する。
- 参考スコア（独自算出の注目度）: 3.4467006377108143
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Light beams carrying orbital-angular-momentum (OAM) play an important role in
optical manipulation and communication owing to their unbounded state space.
However, it is still challenging to efficiently discriminate OAM modes with
large topological charges and thus only a small part of the OAM states have
been usually used. Here we demonstrate that neural networks can be trained to
sort OAM modes with large topological charges and unknown superpositions. Using
intensity images of OAM modes generalized in simulations and experiments as the
input data, we illustrate that our neural network has great generalization
power to recognize OAM modes of large topological charges beyond training areas
with high accuracy. Moreover, the trained neural network can correctly classify
and predict arbitrary superpositions of two OAM modes with random topological
charges. Our machine learning approach only requires a small portion of
experimental samples and significantly reduces the cost in experiments, which
paves the way to study the OAM physics and increase the state space of OAM
beams in practical applications.
- Abstract（参考訳）: 軌道角運動量(OAM)を運ぶ光は、その非有界な状態空間のために光学的操作と通信において重要な役割を果たす。
しかし、大きなトポロジカル電荷を持つOAMモードを効率的に識別することは依然として困難であり、通常はOAM状態のごく一部しか使われていない。
ここでは,大規模位相電荷と未知の重ね合わせによるoamモードの分類をニューラルネットワークに訓練できることを実証する。
入力データとしてシミュレーションや実験で一般化されたOAMモードの強度画像を用いて、我々のニューラルネットワークは、訓練領域を超えた大きなトポロジカル電荷のOAMモードを高精度に認識するために、非常に一般化力を持っていることを示す。
さらに、トレーニングされたニューラルネットワークは、ランダムなトポロジカル電荷を持つ2つのOAMモードの任意の重ね合わせを正しく分類し、予測することができる。
我々の機械学習アプローチは、実験サンプルのごく一部しか必要とせず、実験のコストを大幅に削減し、OAM物理学の研究方法とOAMビームの状態空間を実用的に向上させる。
関連論文リスト
- Deep-learning-assisted optical communication with discretized state space of structured light [2.884252230064288]
本稿では,LGモード認識のための高度な深層学習手法を提案する。
また,本手法では,OAM状態を小さなトレーニングサンプルと高精度で効果的に分類することを示した。
この研究は、構造化光に基づいて低OAM数で高容量光通信を実現するための新たな道を開く。
論文 参考訳（メタデータ） (2024-03-14T15:03:09Z) - Closely-Spaced Object Classification Using MuyGPyS [0.6144680854063939]
本稿では,光空間領域認識(SDA)アルゴリズムにおいて,近接空間オブジェクト(CSO)を検出する新しい手法を提案する。
我々はガウス過程のピソンパッケージであるMuyGPySを用いて、シミュレーション衛星間の角分離と大きさ差の関数として分類精度を検証した。
MuyGPySは、特により困難な状況下で、従来の機械学習手法よりも優れています。
論文 参考訳（メタデータ） (2023-11-17T22:52:46Z) - Efficient Classical Shadow Tomography through Many-body Localization Dynamics [4.923287660970805]
我々は,多体ローカライゼーションのダイナミクスを基盤とした代替手法を提案する。
提案手法は浅部回路に匹敵する高い効率を達成できることを実証する。
論文 参考訳（メタデータ） (2023-09-03T19:50:28Z) - Data-Efficient Learning via Minimizing Hyperspherical Energy [48.47217827782576]
本稿では,少数の代表データを用いたスクラッチからのデータ効率学習の問題について考察する。
我々は,MHEに基づくアクティブラーニング(MHEAL)アルゴリズムを提案し,MHEALの包括的な理論的保証を提供する。
論文 参考訳（メタデータ） (2022-06-30T11:39:12Z) - Regression of high dimensional angular momentum states of light [47.187609203210705]
空間強度分布の測定から入力OAM状態を再構成する手法を提案する。
我々は、量子ウォークダイナミックスによって4次元のOAM状態を生成する、実際のフォトニックなセットアップで我々のアプローチを実証する。
論文 参考訳（メタデータ） (2022-06-20T16:16:48Z) - Enhanced detection techniques of Orbital Angular Momentum states in the
classical and quantum regimes [48.7576911714538]
Orbital Angular Momentum(OAM)状態に固有の複雑な構造は、それらの検出と分類を非自明にする。
現在の検出方式のほとんどは、ラゲール・ガウスモードを用いて構築されたOAM状態のモデルに基づいている。
我々は、OAM検出技術を改善するために(特定のシナリオにおいて)洗練されたモデルの基礎状態として、ハイパー幾何-ガウスモードを用いる。
論文 参考訳（メタデータ） (2022-01-19T18:46:34Z) - Provable RL with Exogenous Distractors via Multistep Inverse Dynamics [85.52408288789164]
実世界の強化学習(RL)の応用は、メガピクセルカメラから生成されたような高次元の観察にエージェントが対処する必要がある。
従来の研究は表現学習でこのような問題に対処しており、エージェントは生の観察から内因性、潜伏状態の情報を確実に抽出することができる。
しかし、このような手法は観測において時間的に相関するノイズの存在下では失敗する可能性がある。
論文 参考訳（メタデータ） (2021-10-17T15:21:27Z) - QuTiP-BoFiN: A bosonic and fermionic numerical
hierarchical-equations-of-motion library with applications in
light-harvesting, quantum control, and single-molecule electronics [51.15339237964982]
階層運動方程式 (HEOM) は力学を解くための強力な正確な数値的手法である。
固体物理学、光学、単分子電子工学、生物物理学の問題に拡張され応用されている。
ボソニック環境とフェルミオン環境の両方にHEOMを実装した強力なQuTiPプラットフォームと統合したPythonの数値ライブラリを提案する。
論文 参考訳（メタデータ） (2020-10-21T07:54:56Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳（メタデータ） (2020-06-22T08:35:58Z)
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。