• Home
  • Chimie
  • Astronomie
  • Énergie
  • La nature
  • Biologie
  • Physique
  • Électronique
  •  science >> Science >  >> Physique
    Une nouvelle méthode assistée par apprentissage automatique classe rapidement les sources quantiques

    Des chercheurs de l'Université Purdue ont entraîné une machine à reconnaître des modèles prometteurs d'émission de photons uniques en une fraction de seconde. Crédit :Université Purdue / Siméon Bogdanov

    Pour que les technologies optiques quantiques deviennent plus pratiques, il existe un besoin d'intégration à grande échelle de circuits photoniques quantiques sur puces.

    Cette intégration nécessite la mise à l'échelle des éléments constitutifs clés de ces circuits - sources de particules de lumière - produits par des émetteurs optiques quantiques uniques.

    Les ingénieurs de l'Université Purdue ont créé une nouvelle méthode assistée par apprentissage automatique qui pourrait rendre le développement de circuits photoniques quantiques plus efficace en présélectionnant rapidement ces émetteurs quantiques à semi-conducteurs.

    L'ouvrage est publié dans la revue Technologies quantiques avancées .

    Des chercheurs du monde entier ont exploré différentes manières de fabriquer des sources quantiques identiques en « transplantant » des nanostructures contenant des émetteurs optiques quantiques uniques dans des puces photoniques conventionnelles.

    « Avec l'intérêt croissant pour la réalisation évolutive et le prototypage rapide de dispositifs quantiques utilisant de grands réseaux d'émetteurs, grande vitesse, une présélection solide d'émetteurs adaptés devient nécessaire, " a déclaré Alexandra Boltasseva, Ron et Dotty Garvin Tonjes de Purdue, professeur de génie électrique et informatique.

    Les émetteurs quantiques produisent une lumière unique, propriétés non classiques qui peuvent être utilisées dans de nombreux protocoles d'information quantique.

    Le défi est que l'interfaçage de la plupart des émetteurs quantiques à semi-conducteurs avec les plates-formes photoniques évolutives existantes nécessite des techniques d'intégration complexes. Avant d'intégrer, les ingénieurs doivent d'abord identifier les émetteurs brillants qui produisent rapidement des photons uniques, à la demande et avec une fréquence optique spécifique.

    La présélection de l'émetteur basée sur la « pureté d'un seul photon », c'est-à-dire la capacité de produire un seul photon à la fois, prend généralement plusieurs minutes pour chaque émetteur. Des milliers d'émetteurs devront peut-être être analysés avant de trouver un candidat de haute qualité adapté à l'intégration de puces quantiques.

    Pour accélérer le criblage basé sur la pureté d'un seul photon, Les chercheurs de Purdue ont entraîné une machine à reconnaître des modèles prometteurs d'émission de photons uniques en une fraction de seconde.

    Selon les chercheurs, trouver rapidement les émetteurs de photons uniques les plus purs parmi un ensemble de milliers serait une étape clé vers l'assemblage pratique et évolutif de grands circuits photoniques quantiques.

    "Compte tenu d'une norme de pureté des photons que les émetteurs doivent respecter, nous avons appris à une machine à classer les émetteurs monophotoniques comme suffisamment ou insuffisamment « purs » avec une précision de 95 %, basé sur des données minimales acquises en une seconde seulement, " a déclaré Zhaxylyk Kudyshev, un chercheur postdoctoral Purdue.

    Les chercheurs ont découvert que la méthode conventionnelle de mesure de la pureté des photons utilisée pour la même tâche prenait 100 fois plus de temps pour atteindre le même niveau de précision.

    "L'approche d'apprentissage automatique est une technique si polyvalente et efficace car elle est capable d'extraire les informations de l'ensemble de données que la procédure d'ajustement ignore généralement, " a déclaré Boltasseva.

    Les chercheurs pensent que leur approche a le potentiel de faire progresser considérablement la plupart des mesures optiques quantiques qui peuvent être formulées sous forme de problèmes de classification binaires ou multiclasses.

    « Notre technique pourrait, par exemple, accélérer les méthodes de microscopie à super-résolution fondées sur des mesures de corrélation d'ordre supérieur qui sont actuellement limitées par des temps d'acquisition d'images longs, ", a déclaré Kudyshev.


    © Science https://fr.scienceaq.com