論文の概要: Retrieving Lost Atomic Information: Monte Carlo-based Parameter Reconstruction of an Optical Quantum System

• arxiv url: http://arxiv.org/abs/2501.07951v1
• Date: Tue, 14 Jan 2025 09:06:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-15 13:28:55.784693
• Title: Retrieving Lost Atomic Information: Monte Carlo-based Parameter Reconstruction of an Optical Quantum System
• Title（参考訳）: 失われた原子情報を取得する:モンテカルロに基づく光量子系のパラメータ再構成
• Authors: Laura Orphal-Kobin, Gregor Pieplow, Alok Gokhale, Kilian Unterguggenberger, Tim Schröder,
• Abstract要約: 低信号強度のレジームでは、標準的なデータ解析手法はシステム特性を正確に見積もることができないことが多い。 そこで本研究ではモンテカルロシミュレーションを用いて,大規模なアンダーサンプルデータからのロバストパラメータ推定を効果的に復元する手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In regimes of low signal strengths and therefore a small signal-to-noise ratio, standard data analysis methods often fail to accurately estimate system properties. We present a method based on Monte Carlo simulations to effectively restore robust parameter estimates from large sets of undersampled data. This approach is illustrated through the analysis of photoluminescence excitation spectroscopy data for optical linewidth characterization of a nitrogen-vacancy color center in diamond. We evaluate the quality of parameter prediction using standard statistical data analysis methods, such as the median, and the Monte Carlo method. Depending on the signal strength, we find that the median can be precise (narrow confidence intervals) but very inaccurate. A detailed analysis across a broad range of parameters allows to identify the experimental conditions under which the median provides a reliable predictor of the quantum emitter's linewidth. We also explore machine learning to perform the same task, forming a promising addition to the parameter estimation toolkit. Finally, the developed method offers a broadly applicable tool for accurate parameter prediction from low signal data, opening new experimental regimes previously deemed inaccessible.
• Abstract（参考訳）: 信号強度が低く、したがって信号対雑音比が小さい状況では、標準的なデータ解析法はシステム特性を正確に見積もることができないことが多い。 そこで本研究ではモンテカルロシミュレーションを用いて,大規模なアンダーサンプルデータからのロバストパラメータ推定を効果的に復元する手法を提案する。 この手法は, ダイヤモンド中の窒素空孔色中心の光線幅特性評価のための発光励起分光データの解析を通じて説明される。 我々は,中央値などの標準統計データ解析法とモンテカルロ法を用いてパラメータ予測の質を評価する。 信号強度によっては、中央値が正確(狭い信頼区間)であるが、非常に不正確なことが分かる。 幅広いパラメータにわたる詳細な分析により、中央値が量子エミッタの直線幅の信頼できる予測器を提供する実験条件を特定することができる。 また、同じタスクを実行するための機械学習についても検討し、パラメータ推定ツールキットに有望な追加を形成する。 最後に、提案手法は、低信号データから正確なパラメータ予測を行うための、広く適用可能なツールを提供する。

関連論文リスト

• Parameters estimation by fitting correlation functions of continuous quantum measurement [0.0]
  本研究では, 連続測定量子系のパラメータを, 測定信号の相関関数に適合させることにより簡易に推定する手法を提案する。 本研究は, 玩具の例と最近の超伝導回路の例において, シミュレーションにおけるアプローチを実証する。
  論文  参考訳（メタデータ） (2024-10-15T18:00:08Z)
• Deterministic and statistical calibration of constitutive models from full-field data with parametric physics-informed neural networks [36.136619420474766]
  フルフィールド変位データからモデルキャリブレーションを行うためのパラメトリック物理インフォームドニューラルネットワーク(PINN)について検討した。 PINNの高速評価により、ほぼリアルタイムでキャリブレーションを行うことができる。
  論文  参考訳（メタデータ） (2024-05-28T16:02:11Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Fast kernel methods for Data Quality Monitoring as a goodness-of-fit test [10.882743697472755]
  本稿では,粒子検出器をリアルタイムで監視するための機械学習手法を提案する。 目標は、入ってくる実験データと参照データセットとの互換性を評価し、通常の状況下でのデータ挙動を特徴づけることである。 このモデルはカーネルメソッドの現代的な実装に基づいており、十分なデータを与えられた連続関数を学習できる非パラメトリックアルゴリズムである。
  論文  参考訳（メタデータ） (2023-03-09T16:59:35Z)
• Support Vector Machine for Determining Euler Angles in an Inertial Navigation System [55.41644538483948]
  本稿では,機械学習(ML)法を用いたMEMSセンサを用いた慣性ナビゲーションシステムの精度向上について論じる。 提案アルゴリズムは,MEMSセンサに典型的なノイズの存在を正しく分類できることを実証した。
  論文  参考訳（メタデータ） (2022-12-07T10:01:11Z)
• MARS: Meta-Learning as Score Matching in the Function Space [79.73213540203389]
  本稿では,一連の関連するデータセットから帰納バイアスを抽出する手法を提案する。 機能的ベイズニューラルネットワーク推論を用いて、前者をプロセスとみなし、関数空間で推論を行う。 本手法は,データ生成プロセスのスコア関数をメタラーニングすることにより,複雑な事前知識をシームレスに獲得し,表現することができる。
  論文  参考訳（メタデータ） (2022-10-24T15:14:26Z)
• Fully Adaptive Bayesian Algorithm for Data Analysis, FABADA [0.0]
  本稿では,ベイズ推定の観点から,新しい非パラメトリック雑音低減手法について述べる。 データのスムーズなバージョン、スムーズなモデルを繰り返し評価し、基礎となる信号の推定値を得る。 繰り返しは、最後の滑らかなモデルの証拠と$chi2$統計に基づいて停止し、信号の期待値を計算する。
  論文  参考訳（メタデータ） (2022-01-13T18:54:31Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Path Sample-Analytic Gradient Estimators for Stochastic Binary Networks [78.76880041670904]
  二進的アクティベーションや二進的重みを持つニューラルネットワークでは、勾配降下によるトレーニングは複雑である。 そこで本研究では,サンプリングと解析近似を併用した新しい推定法を提案する。 勾配推定において高い精度を示し、深部畳み込みモデルにおいてより安定かつ優れた訓練を行うことを示す。
  論文  参考訳（メタデータ） (2020-06-04T21:51:21Z)
• Extending machine learning classification capabilities with histogram reweighting [0.0]
  本稿では,モンテカルロヒストグラム再重み付けを用いて機械学習手法の予測を外挿する手法を提案する。 本稿では,畳み込みニューラルネットワークの出力を統計システムで観測可能なものとして扱い,パラメータ空間の連続範囲における外挿を可能にする。
  論文  参考訳（メタデータ） (2020-04-29T17:20:16Z)

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。