論文の概要: An unsupervised deep learning algorithm for single-site reconstruction
in quantum gas microscopes
- arxiv url: http://arxiv.org/abs/2212.11974v1
- Date: Thu, 22 Dec 2022 18:57:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-09 07:00:04.781707
- Title: An unsupervised deep learning algorithm for single-site reconstruction
in quantum gas microscopes
- Title（参考訳）: 量子ガス顕微鏡における単一サイト再構成のための教師なし深層学習アルゴリズム
- Authors: Alexander Impertro, Julian F. Wienand, Sophie H\"afele, Hendrik von
Raven, Scott Hubele, Till Klostermann, Cesar R. Cabrera, Immanuel Bloch,
Monika Aidelsburger
- Abstract要約: 量子ガス顕微鏡実験では、物理観測物の正確な抽出には、高忠実度でサイト分解格子の占有を再構築することが不可欠である。
本稿では,深部畳み込みニューラルネットワークに基づく新しいアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 47.187609203210705
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In quantum gas microscopy experiments, reconstructing the site-resolved
lattice occupation with high fidelity is essential for the accurate extraction
of physical observables. For short interatomic separations and limited
signal-to-noise ratio, this task becomes increasingly challenging. Common
methods rapidly decline in performance as the lattice spacing is decreased
below half the imaging resolution. Here, we present a novel algorithm based on
deep convolutional neural networks to reconstruct the site-resolved lattice
occupation with high fidelity. The algorithm can be directly trained in an
unsupervised fashion with experimental fluorescence images and allows for a
fast reconstruction of large images containing several thousand lattice sites.
We benchmark its performance using a quantum gas microscope with cesium atoms
that utilizes short-spaced optical lattices with lattice constant $383.5\,$nm
and a typical Rayleigh resolution of $850\,$nm. We obtain promising
reconstruction fidelities~$\gtrsim 96\%$ across all fillings based on a
statistical analysis. We anticipate this algorithm to enable novel experiments
with shorter lattice spacing, boost the readout fidelity and speed of
lower-resolution imaging systems, and furthermore find application in related
experiments such as trapped ions.
- Abstract（参考訳）: 量子ガス顕微鏡実験では, 物理観測物の正確な抽出には, サイト分解格子占有率を高い忠実度で再構成することが不可欠である。
短い原子間分離と限られた信号対雑音比では、この課題はますます困難になる。
格子間隔が画像解像度の半分以下になるにつれて, 共通手法の性能は急速に低下した。
本稿では,深部畳み込みニューラルネットワークに基づく新しいアルゴリズムを提案する。
このアルゴリズムは、実験的な蛍光画像を用いて教師なしの方法で直接訓練することができ、数千の格子サイトを含む大きな画像の高速再構成を可能にする。
格子定数383.5\,$nm、典型的なレイリー分解能850\,$nmの短間隔光学格子を用いるセシウム原子を用いた量子ガス顕微鏡を用いて、その性能をベンチマークする。
統計的解析により,全ての充填物に対して有望な復元フィドリティ~$\gtrsim 96\%$を得る。
このアルゴリズムは、格子間隔を短くすることで新しい実験を可能にし、低分解能撮像システムの読み出し精度と速度を高め、さらにトラップイオンなどの関連する実験にも適用できると予想する。
関連論文リスト
- Fast light-field 3D microscopy with out-of-distribution detection and
adaptation through Conditional Normalizing Flows [16.928404625892625]
リアルタイム3次元蛍光顕微鏡は生物の分析に不可欠である。
そこで我々は,生きた固定化ゼブラフィッシュ神経活動の高速な3次元再構成を行う新しいアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-06-10T10:42:49Z) - Localization of Ultra-dense Emitters with Neural Networks [0.0]
本稿では,独立したエミッタ仮定を拒否するユニークなアーキテクチャを用いたLUENNというディープ畳み込みニューラルネットワークを提案する。
完全に孤立しているものから、同じ位置にあるものまで、放射体を円滑に収容することができる。
このアーキテクチャは、正確な位置不確かさを推定すると共に、使用可能なエミッタ密度の範囲を、マイクロメートルあたり6から31エミッタまで拡大し、局所化精度へのペナルティを低減し、時間分解能を改善した。
論文 参考訳（メタデータ） (2023-05-07T19:20:42Z) - Fluctuation-based deconvolution in fluorescence microscopy using
plug-and-play denoisers [2.236663830879273]
蛍光顕微鏡で得られた生きた試料の画像の空間分解能は、可視光の回折により物理的に制限される。
この制限を克服するために、いくつかのデコンボリューションと超解像技術が提案されている。
論文 参考訳（メタデータ） (2023-03-20T15:43:52Z) - Neural network enhanced measurement efficiency for molecular
groundstates [63.36515347329037]
いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。
ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
論文 参考訳（メタデータ） (2022-06-30T17:45:05Z) - InfoNeRF: Ray Entropy Minimization for Few-Shot Neural Volume Rendering [55.70938412352287]
ニューラルな暗黙表現に基づく数ショットの新規ビュー合成のための情報理論正規化手法を提案する。
提案手法は,不十分な視点で発生する潜在的な復元の不整合を最小化する。
複数の標準ベンチマークにおいて,既存のニューラルビュー合成手法と比較して一貫した性能向上を実現している。
論文 参考訳（メタデータ） (2021-12-31T11:56:01Z) - 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) - Deep Unfolded Recovery of Sub-Nyquist Sampled Ultrasound Image [94.42139459221784]
本稿では,ISTAアルゴリズムの展開に基づく時空間領域におけるサブNyquistサンプルからの再構成手法を提案する。
本手法は,高品質な撮像性能を確保しつつ,配列要素数,サンプリングレート,計算時間を削減できる。
論文 参考訳（メタデータ） (2021-03-01T19:19:38Z) - Compressive sensing with un-trained neural networks: Gradient descent
finds the smoothest approximation [60.80172153614544]
訓練されていない畳み込みニューラルネットワークは、画像の回復と復元に非常に成功したツールとして登場した。
トレーニングされていない畳み込みニューラルネットワークは、ほぼ最小限のランダムな測定値から、十分に構造化された信号や画像を概ね再構成可能であることを示す。
論文 参考訳（メタデータ） (2020-05-07T15:57:25Z) - Real-time sparse-sampled Ptychographic imaging through deep neural
networks [3.3351024234383946]
データの取得と解析の両方に制約を課す複雑な逆問題の解法により、画像再構成を実現する。
本稿では,深部畳み込みニューラルネットワークに基づく画像再構成問題の解法として,PtychoNNを提案する。
論文 参考訳（メタデータ） (2020-04-15T23:43:17Z) - u-net CNN based fourier ptychography [5.46367622374939]
本稿では,畳み込みニューラルネットワークに基づく新しい検索アルゴリズムを提案する。
実験により, システム収差下において, 再現性が向上し, より堅牢であることが確認された。
論文 参考訳（メタデータ） (2020-03-16T22:48:44Z)
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。