論文の概要: Accurate Unsupervised Photon Counting from Transition Edge Sensor Signals

• arxiv url: http://arxiv.org/abs/2411.05737v1
• Date: Fri, 08 Nov 2024 17:53:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 14:53:27.618686
• Title: Accurate Unsupervised Photon Counting from Transition Edge Sensor Signals
• Title（参考訳）: 遷移エッジセンサ信号からの高精度光子計数
• Authors: Nicolas Dalbec-Constant, Guillaume Thekkadath, Duncan England, Benjamin Sussman, Thomas Gerrits, Nicolás Quesada,
• Abstract要約: このような信号の識別に対する数値解析の影響を定量化する。 我々は,光子数埋め込みを解釈可能かつ高精度に構築するための次元還元手法について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We compare methods for signal classification applied to voltage traces from transition edge sensors (TES) which are photon-number resolving detectors fundamental for accessing quantum advantages in information processing, communication and metrology. We quantify the impact of numerical analysis on the distinction of such signals. Furthermore, we explore dimensionality reduction techniques to create interpretable and precise photon number embeddings. We demonstrate that the preservation of local data structures of some nonlinear methods is an accurate way to achieve unsupervised classification of TES traces. We do so by considering a confidence metric that quantifies the overlap of the photon number clusters inside a latent space. Furthermore, we demonstrate that for our dataset previous methods such as the signal's area and principal component analysis can resolve up to 16 photons with confidence above $90\%$ while nonlinear techniques can resolve up to 21 with the same confidence threshold. Also, we showcase implementations of neural networks to leverage information within local structures, aiming to increase confidence in assigning photon numbers. Finally, we demonstrate the advantage of some nonlinear methods to detect and remove outlier signals.
• Abstract（参考訳）: 本稿では,情報処理,通信,メトロジーにおける量子的優位性へのアクセスの基礎となる光子数分解検出器である遷移エッジセンサ(TES)の電圧トレースに応用した信号分類法について比較する。 このような信号の識別に対する数値解析の影響を定量化する。 さらに,光子数埋め込みを解釈可能かつ高精度に構築するための次元削減手法についても検討する。 非線形手法の局所的なデータ構造を保存することは,TESトレースの教師なし分類を実現するための正確な方法であることを示す。 我々は、潜在空間内の光子数クラスターの重なりを定量化する信頼度を考慮し、そうする。 さらに,信号領域や主成分分析などの過去のデータセットでは,信頼度90\%以上の16個の光子を,非線形手法では信頼閾値が同じ21個まで解決できることを示した。 また、局所構造内の情報を活用するニューラルネットワークの実装についても紹介し、光子数を割り当てる信頼性を高めることを目的とした。 最後に,不整合信号の検出と除去を行う非線形手法の利点を示す。

関連論文リスト

• Demonstration of Lossy Linear Transformations and Two-Photon Interference on a Photonic Chip [78.1768579844556]
  補助導波路を用いた工学的損失は,空間統計を束縛から反膨らみに逆転させることが可能であることを示す。 我々は、損失エミュレーションチャネル内の光子統計を調査し、光子偶然を観測し、量子フォトニック集積チップの設計に関する洞察を与えることができる。
  論文  参考訳（メタデータ） (2024-04-09T06:45:46Z)
• Parameter estimation by learning quantum correlations in continuous photon-counting data using neural networks [0.21990652930491852]
  本稿では, 1つの測定で観測された量子プローブのパラメータ推定に, 人工ニューラルネットワークを用いた推論手法を提案する。 本稿では,この手法の精度をベイズ推定と比較し,情報検索の分野で最適であることを示す。 このアプローチは、量子センシングや量子イメージングのような応用に関係のある、光子計数データを用いた量子パラメータ推定のための有望で効率的なツールを提供する。
  論文  参考訳（メタデータ） (2023-10-03T18:00:02Z)
• Combining multi-spectral data with statistical and deep-learning models for improved exoplanet detection in direct imaging at high contrast [39.90150176899222]
  太陽系外惑星の信号は、いくつかの観測と専用の検出アルゴリズムを組み合わせることでのみ識別できる。 我々は,観測結果から直接,ニュアンスの空間的,時間的,スペクトル的特性のモデルを学ぶ。 その後、畳み込みニューラルネットワーク(CNN)が教師ありの方法で訓練され、合成源の残像を検出する。
  論文  参考訳（メタデータ） (2023-06-21T13:42:07Z)
• Microseismic source imaging using physics-informed neural networks with hard constraints [4.07926531936425]
  物理インフォームドニューラルネットワーク(PINN)に基づく直接微動イメージングフレームワークを提案する。 PINNを用いてマルチ周波数波動場を表現し,その逆フーリエ変換を用いて音源画像の抽出を行う。 さらに,本手法をモニタリングフィールドデータの水理破砕に応用し,少ないアーティファクトで精度よくソースを画像化できることを実証する。
  論文  参考訳（メタデータ） (2023-04-09T21:10:39Z)
• Image sensing with multilayer, nonlinear optical neural networks [4.252754174399026]
  新たなイメージセンシングパラダイムは、このデータ収集と分析の境界を破るものだ。 画像を効率よく分析するのに適した圧縮された低次元の潜伏空間に光学的に符号化することで、これらの画像センサは少ないピクセルと少ない光子で動作することができる。 商用画像強調器を並列光電子・光・光の非線形活性化機能として用いた画像センシング用多層ONNプリプロセッサを実演する。
  論文  参考訳（メタデータ） (2022-07-27T21:00:31Z)
• All-optical graph representation learning using integrated diffractive photonic computing units [51.15389025760809]
  フォトニックニューラルネットワークは、電子の代わりに光子を用いて脳にインスパイアされた計算を行う。 我々は、DGNN(diffractive graph neural network)と呼ばれる全光グラフ表現学習アーキテクチャを提案する。 ベンチマークデータベースを用いたノードおよびグラフレベルの分類タスクにおけるDGNN抽出機能の利用を実演し、優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-04-23T02:29:48Z)
• Transfer Learning for Fault Diagnosis of Transmission Lines [55.971052290285485]
  事前学習されたLeNet-5畳み込みニューラルネットワークに基づく新しい伝達学習フレームワークを提案する。 ソースニューラルネットワークから知識を転送して、異種ターゲットデータセットを予測することで、異なる伝送ラインの長さとインピーダンスの障害を診断することができる。
  論文  参考訳（メタデータ） (2022-01-20T06:36:35Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• Iterative Correction of Sensor Degradation and a Bayesian Multi-Sensor Data Fusion Method [0.0]
  本稿では,劣化信号から地中構造信号を推定する新しい手法を提案する。 アルゴリズムは、2つの信号の繰り返し補正を行うことで乗算分解効果を学習する。 我々は理論的解析を含意し、ノイズレス測定モデルのための地上構造信号への収束性を証明する。
  論文  参考訳（メタデータ） (2020-09-07T13:24:47Z)
• Offline detection of change-points in the mean for stationary graph signals [55.98760097296213]
  グラフ信号定常性の概念に依存するオフライン手法を提案する。 我々の検出器は、漸近的でない不等式オラクルの証拠を伴っている。
  論文  参考訳（メタデータ） (2020-06-18T15:51:38Z)
• BiDet: An Efficient Binarized Object Detector [96.19708396510894]
  本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。 我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。 我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
  論文  参考訳（メタデータ） (2020-03-09T08:16:16Z)

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。