論文の概要: Quantum-Correlation-Based Multi-Emitter Localization in Information-Limited Regimes via Learned Inference
- arxiv url: http://arxiv.org/abs/2610.24457v1
- Date: Sat, 17 Oct 2026 04:55:10 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-20 11:45:10.893238
- Title: Quantum-Correlation-Based Multi-Emitter Localization in Information-Limited Regimes via Learned Inference
- Title（参考訳）: 学習推論による情報リミットレジームにおける量子相関に基づくマルチエミッタ局在
- Abstract要約: 本稿では,学習した推論を用いて,マルチモーダルデータからエミッタ数と位置を直接推定する手法を提案する。
学習した推論は、Fit-and-select法と比較してエミッタカウント精度とローカライズ精度の両方を改善する。
このフレームワークは、高密度にラベル付けされたサンプルにおいて、リアルタイムな生物学的イメージングと単一粒子追跡への有望な経路を提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Quantum correlation measurements have emerged as a powerful tool for localizing multiple emitters with subwavelength separation. Multi-emitter localization consists of two distinct tasks: identifying the emitter count $N$ and estimating their positions $\left\{x^{i}\right\}$. Existing fit-and-select frameworks fit the measured intensity and autocorrelation data using several models corresponding to different values of $N$ and then select the best-supported model. This procedure lets errors from the multi-parameter optimization of emitter positions propagate into the choice of model, degrading performance under photon-limited and high-background conditions. We propose a method that directly infers the emitter count and positions from the multimodal data via learned inference. Learned inference improves both the emitter-counting accuracy and localization precision compared to the fit-and-select method. It achieves more than tenfold improvement in precision and requires up to five times fewer photons to achieve practically meaningful localization with the largest gains observed under low photon counts, strong background, narrowly spaced emitter configurations, and spatially truncated data. This photon-efficient quantum-assisted localization framework offers a promising route toward real-time biological imaging and single-particle tracking in densely labeled samples.
- Abstract（参考訳）: 量子相関測定は、サブ波長分離された複数のエミッタを局在させる強力なツールとして登場した。
マルチエミッターローカライゼーションは2つの異なるタスクからなる:$N$を識別し、それらの位置を$\left\{x^{i}\right\}$と推定する。
既存のFit-and-selectフレームワークは、N$の異なる値に対応する複数のモデルを使用して測定された強度と自己相関データに適合し、ベストサポートされたモデルを選択する。
この方法では、エミッタ位置のマルチパラメータ最適化による誤差がモデル選択に伝播し、光子制限および高背景条件下での性能が低下する。
本稿では,学習した推論を用いて,マルチモーダルデータからエミッタ数と位置を直接推定する手法を提案する。
学習した推論は、Fit-and-select法と比較してエミッタカウント精度とローカライズ精度の両方を改善する。
精度は10倍以上に向上し、低い光子数、強い背景、狭い空間のエミッタ構成、空間的に切り離されたデータの下で観測される最大のゲインで実際に有意義な局所化を達成するためには、最大で5倍の光子を必要とする。
この光子効率の量子支援型局在化フレームワークは、高密度にラベル付けされたサンプルにおいて、リアルタイムな生物学的イメージングと単一粒子追跡への有望な経路を提供する。
関連論文リスト
- Physics-Based versus Data-Driven Classification of Single-Photon Quantum Emitters from Sparse Autocorrelation Data [0.1759008116536278]
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。
論文 参考訳（メタデータ） (2026-08-20T00:53:49Z) - Is the most random pattern random? Maximizing localization in a two-dimensional lattice with engineered disorder [0.0]
強結合ハミルトニアンによって記述された2次元正方格子の1つの粒子と2次元正方形四角格子の2つのモデルにおける局所化について検討する。
本稿では,特にオンサイトエネルギーのパラメータを,局所化量子化パラメータを最大化するように慎重に選択する状況を提案する。
論文 参考訳（メタデータ） (2026-06-01T14:13:36Z) - A multi-dimensional quantum estimation and model learning framework based on variational Bayesian inference [3.7127285734321203]
本稿では,多数のモデルパラメータに対して高速かつ操作可能な共同モデル選択とパラメータ推定アルゴリズムを提案する。
このアルゴリズムは変分ベイズ推定(VBI)に基づいており、ターゲットの後方分布を近似する。
我々は,各パラメータの異なる競合モデルを選択するために,事前の正規化がいかに使用できるかを示す。
論文 参考訳（メタデータ） (2025-07-30T22:18:27Z) - Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。
従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。
本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
論文 参考訳（メタデータ） (2025-07-11T08:00:47Z) - Accelerating Diffusion Sampling with Optimized Time Steps [69.21208434350567]
拡散確率モデル(DPM)は高分解能画像合成において顕著な性能を示した。
彼らのサンプリング効率は、通常多くのサンプリングステップのため、依然として望まれている。
DPM用高次数値ODEソルバの最近の進歩により、サンプリングステップがはるかに少ない高品質な画像の生成が可能になった。
論文 参考訳（メタデータ） (2024-02-27T10:13:30Z) - Detecting changes to sub-diffraction objects with quantum-optimal speed
and accuracy [0.8409980020848168]
サブディフレクション・インコヒーレント・イメージングにおいて、固定された誤報率に対して最良平均遅延を評価する。
我々は、入射光強度の直接焦点面検出が、準最適検出レイテンシを実現することを発見した。
我々は,モンテカルロシミュレーションを用いて,変化検出手法の検証を行い,従来の受信機と量子最適受信機とのギャップの増大を定量化する。
論文 参考訳（メタデータ） (2023-08-14T16:48:18Z) - Towards Accurate Post-training Quantization for Diffusion Models [73.19871905102545]
本稿では,効率的な画像生成のための拡散モデル(ADP-DM)の高精度なデータフリーポストトレーニング量子化フレームワークを提案する。
提案手法は, 拡散モデルの学習後の量子化を, 同様の計算コストで, 非常に大きなマージンで高速化する。
論文 参考訳（メタデータ） (2023-05-30T04:00:35Z)
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。