論文の概要: Physics-Based versus Data-Driven Classification of Single-Photon Quantum Emitters from Sparse Autocorrelation Data

• arxiv url: http://arxiv.org/abs/2608.19528v1
• Date: Thu, 20 Aug 2026 00:53:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.428099
• Title: Physics-Based versus Data-Driven Classification of Single-Photon Quantum Emitters from Sparse Autocorrelation Data
• Title（参考訳）: スパース自己相関データを用いた単一光子量子エミッタの物理ベースとデータ駆動分類
• Abstract要約: 単一光子エミッタ分類のための逐次ベイズ推定を導入する。 我々は、Levenberg-Marquardtフィッティングとフィードフォワードニューラルネットワークに対してベンチマークを行った。 これら3つのアプローチは、十分な積分時間で高い、ほぼ完璧な精度を達成する。
• 参考スコア（独自算出の注目度）: 0.1759008116536278
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying single photon emitters from large, inhomogeneous candidate populations is key to realizing many quantum applications. This requires measuring the emitters second order autocorrelation function, whose statistical reliability is fundamentally limited by acquisition time. Machine learning classifiers can accelerate identification from sparse data, but their performance relative to physics-based inference has not been systematically examined. Here, we introduce sequential Bayesian inference for single photon emitter classification and benchmark it against Levenberg-Marquardt fitting and a feedforward neural network. We use synthetic training and test data calibrated against real Hanbury Brown-Twiss measurements from hexagonal boron nitride emitters, enabling evaluation against an exactly known ground-truth emitter number under realistic noise and background conditions. All three approaches achieve high, near-perfect accuracy with sufficient integration time, but differ greatly in convergence rate and robustness under sparse photon statistics. The neural network is most robust at short integration times. The Bayesian classifier reaches near-perfect accuracy fastest, while retaining full physical interpretability. Levenberg-Marquardt fitting remains a valuable, fully interpretable method, achieving the highest recall despite being the slowest to converge. These results lead to several key conclusions. No single method dominates across all performance metrics. Relying on any one metric alone can give a misleading picture of classifier performance, particularly under sparse photon statistics. Physics-based and data-driven methods are complementary rather than competing approaches. Together, these findings provide practical guidance for selecting and combining classification strategies for scalable single-photon-source screening and other quantum-emitter characterization tasks.
• Abstract（参考訳）: 大規模で不均一な候補集団から単一光子放射体を同定することは、多くの量子応用を実現する鍵となる。 これは、取得時間によって統計的信頼性が根本的に制限されるエミッターの2階自己相関関数を測定する必要がある。 機械学習分類器はスパースデータからの識別を高速化するが、物理に基づく推論に対する性能は体系的に検討されていない。 本稿では、単一光子エミッタ分類のためのシーケンシャルベイズ推論を導入し、レバンス・マルカルトフィッティングとフィードフォワードニューラルネットワークとをベンチマークする。 六方晶窒化ホウ素エミッタのハンベリー・ブラウン・ツイッス実測値に対して校正した合成トレーニングと試験データを用いて, 実騒音および背景条件下での既知グラウンドトラスエミッタ数の評価を可能にした。 これら3つのアプローチは、十分な積分時間で高いほぼ完全精度を達成するが、スパース光子統計の下での収束速度とロバスト性は大きく異なる。 ニューラルネットワークは、短時間の統合時に最も堅牢である。 ベイズ分類器は、完全な物理的解釈可能性を維持しながら、ほぼ完全な精度に達する。 レバンス=マルカールトのフィッティングは価値があり、完全に解釈可能な方法であり、収束するのが最も遅いにもかかわらず、最も高いリコールを達成する。 これらの結果はいくつかの重要な結論を導いた。 すべてのパフォーマンス指標で1つのメソッドが支配することはありません。 任意のメートル法のみを頼りにすれば、特にスパース光子統計の下で、分類器のパフォーマンスの誤解を招くことができる。 物理に基づく手法とデータ駆動手法は競合するアプローチよりも補完的である。 これらの知見は、スケーラブルな単一光子ソーススクリーニングやその他の量子エミッタ特性評価タスクの分類戦略の選択と組み合わせのための実践的なガイダンスを提供する。

関連論文リスト

• Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
  大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。 本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。 我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。 スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
  論文  参考訳（メタデータ） (2026-08-25T15:07:11Z)
• Distributionally Faithful Imputation via Positive Semi-Definite Kernel Density Estimation [55.47411235954028]
  マスク観測による密度推定では,不規則に不規則に不規則な計算を行う。 我々は,ニュートン内点法で解ける閉じた形状の辺縁を持つ凸型経験的リスク問題を得る。 結果のPSDインプットモデルでは、同一の入射密度から単一および多重インプットが得られる。
  論文  参考訳（メタデータ） (2026-07-08T15:51:05Z)
• EventShiftFlow: Towards Hardware-efficient FPGA-based Flow Estimation [43.77587889970362]
  イベントベースの視覚センサは、非同期で高時間分解能の測定を提供する。 多くの事象に基づく動き推定法は計算集約的であり、FPGAハードウェアにマップすることは困難である。 本稿では,非同期イベントを固定時間ビンに離散化し,1ビット空間占有格子を構築し,複数の速度仮説を並列に評価するストリーミング速度推定器を提案する。
  論文  参考訳（メタデータ） (2026-05-27T11:13:58Z)
• Unlocking photodetection for quantum sensing with Bayesian likelihood-free methods and deep learning [0.0]
  光検出において重要な課題は、古典的でない統計を示すクリックパターンの高速解釈である。 深層学習(DL)に基づくベイズ的可能性のない手法とを比較して、この目標を達成する。 この結果は,光検出における非古典的効果を利用した量子センサの動的制御の道を開くものである。
  論文  参考訳（メタデータ） (2026-02-23T12:47:41Z)
• AI-Accelerated Qubit Readout at the Single-Photon Level for Scalable Atomic Quantum Processors [16.821447184897142]
  我々は,中性原子配列における蛍光可読化のためのAI加速ベイズ推定法について報告する。 提案手法はベイズ推定を利用して,短時間露光下での単一光子レベルでの信頼性の高い状態検出を実現する。 このフレームワークは、大規模原子配列のスケーラブルでリアルタイムな読み出しをサポートし、計算とセンシングにおけるAI強化量子技術への道を開く。
  論文  参考訳（メタデータ） (2025-12-24T03:51:56Z)
• Continuous-variable photonic quantum extreme learning machines for fast collider-data selection [0.0]
  我々は、コライダーデータ処理のための高速かつ低オーバーヘッドのフロントエンドとして、連続可変フォトニック量子極端学習マシンについて研究する。 データは二次変位を通じてフォトニックモードで符号化され、固定時間ガウス量子基板を介して伝播する。 1つの線形解法を用いて線形分類器のみを訓練するので、再学習は高速であり、光学パスと検出器応答は解析と推論の遅延を設定できる。
  論文  参考訳（メタデータ） (2025-10-15T18:21:32Z)
• Neural Network Enhanced Single-Photon Fock State Tomography [6.434126816101052]
  ターゲットパラメータの直接推定による単一光子量子状態トモグラフィーの実験的実装について報告する。 我々のニューラルネットワーク拡張量子状態トモグラフィーは、平衡ホモダイン検出器から可能な全ての光子数状態の光子数分布を特徴付ける。 このような高速で頑健で正確な量子状態トモグラフィーは、単一光子フォック状態やその他の非ガウス的量子状態を持つアプリケーションにとって重要な診断ツールボックスを提供する。
  論文  参考訳（メタデータ） (2024-05-05T04:58:18Z)
• Efficient characterization of blinking quantum emitters from scarce data sets via machine learning [0.0]
  単一光子エミッタは、蛍光断続性または光架橋を普遍的に表示する。 そこで本研究では,85%の精度で点滅率を抽出できる多機能回帰アルゴリズムと遺伝的アルゴリズムを提案する。 我々のアルゴリズムは、調査可能な点滅システムの範囲を効果的に拡張し、それ以外は調査するには短命であると考えられるものへと動的をトラップする。
  論文  参考訳（メタデータ） (2023-08-24T18:51:30Z)
• 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)
• Importance sampling for stochastic quantum simulations [68.8204255655161]
  我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。 サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。 格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
  論文  参考訳（メタデータ） (2022-12-12T15:06:32Z)
• FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
  この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。 脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。 その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-10-10T12:35:02Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Straggler-Resilient Federated Learning: Leveraging the Interplay Between Statistical Accuracy and System Heterogeneity [57.275753974812666]
  フェデレーション学習は、データをローカルに保持しながら、クライアントのネットワークに分散したデータサンプルから学習する。 本稿では,学習手順を高速化するために,クライアントデータの統計的特徴を取り入れてクライアントを適応的に選択する,ストラグラー・レジリエントなフェデレーション学習手法を提案する。
  論文  参考訳（メタデータ） (2020-12-28T19:21:14Z)

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。