論文の概要: Utilizing machine learning to improve the precision of fluorescence imaging of cavity-generated spin squeezed states

• arxiv url: http://arxiv.org/abs/2109.08221v1
• Date: Thu, 16 Sep 2021 21:07:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-14 20:50:27.323051
• Title: Utilizing machine learning to improve the precision of fluorescence imaging of cavity-generated spin squeezed states
• Title（参考訳）: 機械学習を用いたキャビティ生成スピン圧縮状態の蛍光イメージング精度の向上
• Authors: Benjamin K. Malia, Yunfan Wu, Juli\'an Mart\'inez-Rinc\'on, and Mark A. Kasevich
• Abstract要約: 低温原子の蛍光イメージングにおいて,光子収集速度を調整するための教師付き学習モデルを提案する。 このモデルは、標準のパーソナルコンピュータのCPUで1分未満で効率よく訓練し、10分以内のデータ収集を必要とする。
• 参考スコア（独自算出の注目度）: 0.2624902795082451
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a supervised learning model to calibrate the photon collection rate during the fluorescence imaging of cold atoms. The linear regression model finds the collection rate at each location on the sensor such that the atomic population difference equals that of a highly precise optical cavity measurement. This 192 variable regression results in a measurement variance 27% smaller than our previous single variable regression calibration. The measurement variance is now in agreement with the theoretical limit due to other known noise sources. This model efficiently trains in less than a minute on a standard personal computer's CPU, and requires less than 10 minutes of data collection. Furthermore, the model is applicable across a large changes in population difference and across data collected on different days.
• Abstract（参考訳）: 低温原子の蛍光イメージングにおいて,光子収集速度を調整するための教師付き学習モデルを提案する。 線形回帰モデルは、センサ上の各位置の収集率を、高精度な光学キャビティ測定の原子集団差と等しくなるように求める。 この192変数の回帰は、以前の1変数の回帰キャリブレーションよりも27%小さい測定ばらつきをもたらす。 測定のばらつきは、他の既知のノイズ源による理論上の限界と一致している。 このモデルは、標準のパーソナルコンピュータのCPUで1分未満で効率よく訓練し、10分以内のデータ収集を必要とする。 さらに、このモデルは、人口差の大きな変化と、異なる日に収集されたデータにまたがって適用できる。

関連論文リスト

• Improved Distribution Matching Distillation for Fast Image Synthesis [54.72356560597428]
  この制限を解除し、MDDトレーニングを改善する一連の技術であるMDD2を紹介する。 まず、回帰損失と高価なデータセット構築の必要性を排除します。 第2に, GAN損失を蒸留工程に統合し, 生成した試料と実画像との識別を行う。
  論文  参考訳（メタデータ） (2024-05-23T17:59:49Z)
• Interpretable cancer cell detection with phonon microscopy using multi-task conditional neural networks for inter-batch calibration [39.759100498329275]
  本稿では,バッチ間キャリブレーションを同時に実現する条件付きニューラルネットワークフレームワークを提案する。 異なる実験バッチをトレーニングし、検証することで、我々のアプローチを検証する。 このモデルを拡張して, 診断信号の再構成を行い, 疾患状態を示す有能な特徴の物理的解釈を可能にした。
  論文  参考訳（メタデータ） (2024-03-26T12:20:10Z)
• Neural Priming for Sample-Efficient Adaptation [92.14357804106787]
  ニューラルプライミング(Neural Priming)は、大規模な事前学習されたモデルを分散シフトや下流タスクに適応させる手法である。 ニューラルプライミングは、LAION-2Bほどの大きさの事前訓練であっても、テスト時に行うことができる。
  論文  参考訳（メタデータ） (2023-06-16T21:53:16Z)
• Post-training Model Quantization Using GANs for Synthetic Data Generation [57.40733249681334]
  量子化法における実データを用いたキャリブレーションの代用として合成データを用いた場合について検討する。 本稿では,StyleGAN2-ADAが生成したデータと事前学習したDiStyleGANを用いて定量化したモデルの性能と,実データを用いた量子化とフラクタル画像に基づく代替データ生成手法との比較を行った。
  論文  参考訳（メタデータ） (2023-05-10T11:10:09Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Single image calibration using knowledge distillation approaches [1.7205106391379026]
  カメラパラメータを自動的に推定するCNNアーキテクチャを構築した。 我々は、新しいデータ配信のためのネットワークを更新する際に、知識を保存するために4つの一般的な漸進学習戦略を適用した。 実験結果は, カメラキャリブレーションのキャリブレーション推定において, いずれの手法が優れているかが示唆された。
  論文  参考訳（メタデータ） (2022-12-05T15:59:35Z)
• Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
  ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。 入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。 CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
  論文  参考訳（メタデータ） (2022-07-13T14:13:49Z)
• Revisiting the Calibration of Modern Neural Networks [44.26439222399464]
  現代のニューラルネットワークにおける誤校正の多くの事例が報告されており、より新しい、より正確なモデルが低い校正された予測を生み出す傾向が示唆されている。 モデルキャリブレーションと精度を体系的に関連付け,最新のモデル,特に畳み込みを使用しないモデルが最適なキャリブレーションであることを示す。 また,モデルサイズと事前学習量の差が完全には説明できないことを示し,アーキテクチャがキャリブレーション特性の主要な決定要因であることを示唆した。
  論文  参考訳（メタデータ） (2021-06-15T09:24:43Z)
• Flexible Model Aggregation for Quantile Regression [92.63075261170302]
  量子回帰は、予測の不確実性を定量化する必要性によって動機付けられた統計学習の基本的な問題である。 条件付き量子モデルの任意の数を集約する手法について検討する。 この論文で検討するモデルはすべて、現代のディープラーニングツールキットに適合します。
  論文  参考訳（メタデータ） (2021-02-26T23:21:16Z)
• Machine-learning-assisted electron-spin readout of nitrogen-vacancy center in diamond [26.41303716811187]
  単光子収集によるダイヤモンド中の電子スピン状態の光学的読み出しについて紹介する。 提案手法は,不完全なデータから処理結果を修復し,スピン読み出し誤差の7%を低減できることを示した。 我々の機械学習手法は、状態の精度測定と光学的検出に幅広い応用を示唆している。
  論文  参考訳（メタデータ） (2021-02-17T03:57:14Z)
• X-CAL: Explicit Calibration for Survival Analysis [22.642252425363335]
  モデルが任意の時間間隔内で予測されたイベント数を観測された数と類似させると、十分校正される。 D-CALIBRATIONを差別化可能な目的に変える明示的なキャリブレーション(X-CAL)を開発しています。 X-CALにより、実践者はキャリブレーションを直接最適化し、予測パワーとキャリブレーションのバランスを望ましいものにすることができる。
  論文  参考訳（メタデータ） (2021-01-13T21:00:23Z)

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。