Efficient imaging of quantum emitters using compressive sensing

Cet article présente une méthode d'imagerie par compression basée sur des motifs d'excitation structurés et l'algorithme GPSR-BB, permettant de reconstruire avec fidélité la distribution spatiale et les propriétés de corrélation d'ordre deux de centres NV dans le diamant en n'utilisant que 20 % des mesures requises par le balayage raster conventionnel.

L'essentiel

📸 L'Art de la Photo "Devinettes" : Comment voir l'invisible plus vite

Imaginez que vous devez dessiner un tableau représentant des lucioles dans une forêt très sombre.

La méthode classique (le "Râtelier") :
Normalement, pour voir ces lucioles, un photographe utiliserait un projecteur très fin et très précis. Il devrait balayer la forêt point par point, comme un pinceau qui passe lentement sur chaque feuille de l'arbre, une par une.

• Le problème : C'est extrêmement lent ! Si la forêt est grande et qu'il n'y a que quelques lucioles (ce qui est le cas pour les "émetteurs quantiques" étudiés ici), le photographe perd un temps fou à éclairer des zones vides où il ne se passe rien. De plus, si les lucioles sont très faibles, elles s'éteignent avant qu'on ait fini de les photographier.

La méthode de l'article (la "Devine") :
Les chercheurs de cet article ont une idée géniale : au lieu de balayer point par point, ils utilisent un projecteur intelligent (un DMD, une sorte de miroir numérique) qui projette des motifs aléatoires sur toute la forêt d'un coup.

• L'analogie du tamis : Imaginez que vous avez un tamis avec des trous aléatoires. Vous versez un mélange de sable et de perles (les lucioles) dessus. Au lieu de compter chaque perle une par une, vous regardez combien de perles tombent à travers le tamis.
• Le tour de magie : En changeant la forme des trous du tamis (les motifs aléatoires) et en notant la quantité totale de lumière reçue à chaque fois, un ordinateur très malin peut reconstruire l'image exacte des lucioles.

🧠 Comment ça marche ? (Le secret de la "Compressivité")

Le secret réside dans le fait que les lucioles sont rares (on dit "sparses"). La forêt est surtout noire, avec juste quelques points de lumière.

1. Moins de mesures, plus d'info : Au lieu de prendre 100 photos pour reconstruire l'image, ils n'en prennent que 20. C'est comme si vous deviez deviner un mot de 10 lettres, mais on vous donne seulement 2 indices intelligents au lieu de 10. Comme le mot est court et rare, vous pouvez le deviner facilement.
2. L'ordinateur détective : Ils utilisent un algorithme (un programme mathématique appelé GPSR-BB) qui agit comme un détective. Il regarde les 20 mesures de lumière et dit : "Ah, cette combinaison de lumières ne peut venir que de lucioles placées exactement ici et là."
3. Le résultat : Ils obtiennent une image aussi nette que la méthode classique, mais 5 fois plus vite et avec beaucoup moins de lumière nécessaire.

🔍 Et pour les "Lucioles Magiques" (Les émetteurs de photons uniques) ?

L'article va encore plus loin. Certaines de ces "lucioles" (des défauts dans le diamant appelés centres NV) ont un super-pouvoir : elles ne peuvent émettre qu'une seule lumière à la fois. C'est crucial pour les ordinateurs du futur (quantiques).

Pour les repérer, il faut vérifier qu'elles ne clignotent jamais deux fois en même temps (c'est ce qu'on appelle l'antibunching).

• Le défi : Mesurer cette propriété demande normalement encore plus de temps et de données.
• La solution : Les chercheurs ont adapté leur méthode "tamis" pour mesurer aussi cette propriété. Même avec seulement 20% des données habituelles, l'ordinateur réussit à dire : "Tiens, ce point ici est une vraie luciole magique qui émet un seul photon à la fois."

🚀 Pourquoi c'est génial ?

• Gain de temps : On passe de plusieurs heures à quelques minutes pour photographier une zone.
• Économie de lumière : C'est parfait pour les échantillons fragiles qui ne supportent pas d'être éclairés trop fort ou trop longtemps.
• Polyvalence : Cette méthode ne marche pas seulement avec les diamants, mais avec n'importe quel système où les objets à voir sont rares et dispersés.

En résumé : Au lieu de fouiller une pièce sombre avec une lampe torche point par point (ce qui prend des heures), les chercheurs utilisent un projecteur qui lance des motifs aléatoires et un ordinateur qui reconstitue l'image à partir de très peu d'indices. C'est plus rapide, plus économe en énergie, et tout aussi précis !

Résumé technique

1. Problématique

L'imagerie optique des émetteurs quantiques (tels que les centres NV dans le diamant) est cruciale pour de nombreuses applications en photonique quantique et en métrologie. Cependant, les méthodes conventionnelles de microscopie confocale reposent sur un balayage raster point par point. Cette approche présente deux limitations majeures :

• Inefficacité temporelle : Le temps d'acquisition est long car chaque pixel doit être excité et mesuré séquentiellement.
• Inefficacité photonique : Pour les échantillons à faible budget de photons ou les distributions d'émetteurs clairsemées (sparse), une grande partie du temps de mesure est gaspillée sur des zones vides, ce qui est problématique pour les échantillons sensibles à la lumière ou pour les champs de vue larges.

L'objectif est de développer une stratégie d'imagerie alternative capable de réduire le temps d'acquisition et la surcharge de mesure tout en préservant la fidélité de l'image et la capacité à identifier des sources de photons uniques.

2. Méthodologie

Les auteurs proposent une approche basée sur l'imagerie par compression (Compressive Sensing - CS) qui remplace le balayage raster par une illumination grand champ structurée spatialement.

• Principe de base : Au lieu de scanner pixel par pixel, le système illumine l'échantillon avec des motifs binaires aléatoires (masques) projetés via un Dispositif à Micro-miroirs (DMD). Pour chaque motif, le signal de fluorescence total est collecté par un détecteur à photon unique (SPAD).
• Modélisation mathématique :
  • L'image $X$ est supposée être parcimonieuse (sparse) dans le domaine spatial (peu d'émetteurs actifs sur un grand champ).
  • Le problème est formulé comme la reconstruction d'un signal parcimonieux à partir de mesures linéaires sous-échantillonnées ($M \ll N^2$).
  • La reconstruction est effectuée en résolvant un problème d'optimisation $\ell_1$-régularisé utilisant l'algorithme GPSR-BB (Gradient Projection for Sparse Reconstruction avec pas de Barzilai-Borwein).
• Extension à la corrélation ($g^{(2)}(0)$) :
  • L'article propose également une extension numérique pour reconstruire la carte spatiale de la fonction de corrélation du second ordre $g^{(2)}(0)$, essentielle pour identifier les émetteurs de photons uniques (via l'antibunching, $g^{(2)}(0) < 0.5$).
  • Une formulation modifiée est développée car la corrélation mesurée n'est pas une somme linéaire simple des corrélations pixel par pixel, mais dépend des intensités relatives. Un modèle inverse à deux étapes est utilisé : reconstruction de l'intensité d'abord, puis reconstruction de $g^{(2)}(0)$ en utilisant les données de corrélation compressives et la carte d'intensité reconstruite.

3. Contributions Clés

• Validation expérimentale sur des centres NV : Utilisation de centres azote-lacune (NV) dans des nanodiamants comme plateforme de test pour démontrer la reconstruction d'images de fluorescence avec une haute fidélité.
• Réduction drastique des mesures : Démonstration qu'une reconstruction précise est possible avec seulement 20 % des mesures requises pour un balayage raster complet.
• Imagerie corrélative compressive : Extension théorique et numérique du cadre CS pour reconstruire des cartes spatiales de $g^{(2)}(0)$, permettant l'identification de sources de photons uniques avec une sous-échantillonnage important.
• Évaluation quantitative : Utilisation de métriques rigoureuses (PSNR et coefficient de corrélation normalisé) pour comparer les images reconstruites aux références raster.

4. Résultats

• Reconstruction d'intensité :
  • Des simulations numériques et des expériences montrent que l'algorithme GPSR-BB peut reconstruire avec précision la distribution spatiale des émetteurs NV.
  • Avec un taux d'échantillonnage de 20 %, la corrélation de Pearson entre l'image reconstruite et l'image de référence (raster) atteint 0,927, avec un PSNR de 35 dB.
  • Les métriques de qualité saturent au-delà de 30 % d'échantillonnage, confirmant la robustesse de la méthode.
• Identification de sources uniques :
  • La méthode numérique permet de reconstruire la carte $g^{(2)}(0)$ à partir de 20 % des données.
  • Les émetteurs présentant un antibunching ($g^{(2)}(0) < 0.5$) sont correctement identifiés et localisés, malgré le sous-échantillonnage sévère.
• Gain de temps : La méthode permet une réduction effective du temps d'acquisition d'un facteur 5 par rapport au balayage raster traditionnel, tout en maintenant une précision spatiale élevée.

5. Signification et Impact

Cet article démontre que l'imagerie par compression est une stratégie viable et efficace pour l'imagerie de systèmes quantiques clairsemés.

• Efficacité photonique et temporelle : La méthode est particulièrement avantageuse pour les échantillons sensibles à la lumière (photon-limited) et les grands champs de vue, où le balayage raster est prohibitif.
• Généralité : L'approche ne dépend pas des propriétés spécifiques des émetteurs, mais uniquement de la parcimonie spatiale de leur distribution, la rendant applicable à une large classe de systèmes d'émetteurs quantiques.
• Perspectives futures : Le travail ouvre la voie à l'utilisation de motifs d'illumination adaptatifs ou appris pour améliorer encore l'efficacité, et à l'intégration de la compression avec d'autres mesures quantiques (statistiques d'ordre supérieur) pour récupérer simultanément l'information spatiale et statistique des émetteurs.

En résumé, cette recherche offre une alternative puissante aux techniques d'imagerie conventionnelles, permettant d'accélérer considérablement la caractérisation des émetteurs quantiques tout en réduisant la charge de données et l'exposition à la lumière.