Physics-Based versus Data-Driven Classification of Single-Photon Quantum Emitters from Sparse Autocorrelation Data
Cet article évalue l'inférence bayésienne séquentielle, l'ajustement de Levenberg-Marquardt et un réseau de neurones à propagation avant pour la classification d'émetteurs de photons uniques à partir de données d'autocorrélation éparses, démontrant que bien qu'aucune méthode ne domine tous les paramètres, les approches fondées sur la physique et celles fondées sur les données sont des outils complémentaires qui offrent des avantages distincts en termes de vitesse de convergence, d'interprétabilité et de robustesse sous des statistiques de photons variables.