Efficient imaging of quantum emitters using compressive sensing

Dit artikel presenteert een op compressieve sensing gebaseerde beeldvormingsmethode die raster-scanning vervangt door willekeurige excitatiepatronen, waardoor hoogwaardige reconstructies van kwantumemitters zoals NV-centra en hun tweede-orde correlatiefunctie $g^{(2)}(0)$ mogelijk worden met slechts ongeveer 20% van de benodigde metingen.

De kern

Stel je voor dat je in een groot, donker veld staat en je moet een kaart maken van waar precies de mieren zitten. De mieren zijn je "kwantum-emitters" (kleine lichtbronnetjes), en het veld is je monster.

De oude manier (Raster Scanning): De "Lantaarnpaal"
Normaal gesproken gebruiken wetenschappers een heel specifieke manier om dit te doen. Ze nemen een zaklamp (een laser) en verplaatsen deze punt voor punt over het hele veld. Ze kijken naar elke vierkante centimeter, één voor één, en noteren: "Hier is een mier, hier niet, hier wel."

• Het probleem: Als er maar een paar mieren zijn in een enorm veld, ben je 99% van je tijd kwijt aan het bestuderen van lege plekken waar niets zit. Het is traag, en als je maar weinig licht hebt (weinig fotonen), is het moeilijk om iets te zien voordat je de batterij van je zaklamp leeg hebt.

De nieuwe manier (Compressieve Sensing): De "Magische Netten"
In dit artikel laten Sonali Gupta en haar team zien hoe je dit veel slimmer kunt doen. In plaats van met een zaklamp te lopen, gooien ze een reeks "magische netten" over het hele veld.

1. Het Net (De DMD): Ze gebruiken een digitaal spiegelapparaat (een DMD) dat als een enorm scherm van kleine spiegeltjes werkt. Ze laten willekeurige patronen van licht en donker op het monster vallen. Het is alsof je een net gooit waarbij sommige gaten open zijn en andere dicht, maar dan in een willekeurig patroon.
2. Het Tellen: In plaats van te kijken waar de mieren precies zitten, telt een enkele sensor (een SPAD) gewoon hoeveel mieren er in totaal in het licht van dat specifieke netpatroon zitten.
   • Analogie: Stel je hebt een grote bak met 1000 knikkers, waarvan er maar 10 rood zijn. In plaats van elke knikker apart te bekijken, gooi je er een net overheen en telt je hoeveel rode knikkers er in het net zitten. Je doet dit met 20 verschillende, willekeurige netpatroon.
3. De Rekenmachine (Het algoritme): Nu heb je niet de exacte locatie van elke mier, maar wel een reeks getallen: "In net 1 zaten 3 rode knikkers, in net 2 zaten 5, in net 3 zaten 1..." Een slim computerprogramma (het GPSR-BB algoritme) neemt deze getallen en rekent terug: "Aha! Als er in net 1 en 3 mieren zaten, maar niet in net 2, dan moeten ze hier en daar zitten."
   • Omdat de mieren (de kwantum-emitters) verspreid zijn en er niet overal zitten (ze zijn "spaarzaam" of sparse), kan de computer het hele plaatje reconstrueren met veel minder metingen dan normaal.

De resultaten in het artikel:

• Snelheid: Ze hebben bewezen dat je een scherp beeld kunt krijgen met slechts 20% van de metingen die je normaal nodig zou hebben. Het is alsof je een foto maakt met 5x minder belichtingstijd, maar de foto is nog steeds perfect.
• De "Superkracht" (g(2) meting): Het meest spannende is dat ze dit ook hebben uitgebreid om te zien of het één mier is of een groepje mieren die samenwerken. In de kwantumwereld willen we weten of een bron maar één foton (lichtdeeltje) per keer uitspuugt (een "single-photon emitter").
  • Normaal kost het heel lang om dit te meten voor elk puntje. Met hun methode kunnen ze dit ook "rekenen" uit de ruwe data. Ze kunnen dus niet alleen zien waar de lichtbronnen zijn, maar ook wat voor soort lichtbron het is, en dat allemaal met veel minder tijd en licht.

Kortom:
Stel je voor dat je een schilderij moet kopiëren. De oude methode is alsof je met een kwastje één pixel per seconde schildert. De nieuwe methode is alsof je het hele schilderij een paar keer met een stempel bedekt, telt hoeveel verf er op de stempel komt, en dan met een computer het originele schilderij weer perfect terugrekent.

Dit is een enorme stap voorwaarts voor de toekomst van kwantumtechnologie, omdat het onderzoekers toelaat om kwetsbare monsters te bestuderen zonder ze te verblinden of urenlang te wachten op een resultaat.

Technische samenvatting

Titel: Efficiënte beeldvorming van kwantumbronnen met behulp van compressieve sensing

1. Het Probleem

De optische beeldvorming van kwantumbronnen (zoals defecten in kristallen) is essentieel voor toepassingen in kwantumphotonica, nanosensoren en kwantuminformatieverwerking. De conventionele methode, confocale microscopie, werkt door het monster punt-voor-punt af te tasten (raster-scanning) met een scherp gefocust excitatiepunt.

• Nadelen: Deze aanpak is inherent tijdsintensief en foton-inefficiënt.
• Specifiek probleem: Bij monsters met een spare verdeling van kwantumbronnen (waar slechts een klein deel van het gezichtsveld signaal geeft) wordt veel tijd en fotonenverspilling veroorzaakt door het scannen van lege gebieden.
• Beperking: Voor zwakke emitters of monsters met een beperkt fotonenbudget is de huidige raster-scanning vaak te traag en onpraktisch.

2. Methodologie

De auteurs introduceren een beeldvormingsframework gebaseerd op compressieve sensing (CS). In plaats van punt-voor-punt scannen, wordt het monster verlicht met ruimtelijk gestructureerde, breedveld-excitatiepatronen.

• Hardware-opstelling:

  • Een Digital Micromirror Device (DMD) projecteert een reeks willekeurige binaire maskers (patronen van 'aan' en 'uit' pixels) op het monster.
  • Het monster bestaat uit stikstof-leegte (NV)-centra in diamant, die fungeren als kwantumbronnen.
  • De totale fluorescentie die door het monster wordt uitgestraald onder elk masker, wordt verzameld door een Single-Photon Avalanche Diode (SPAD) (een enkel-pixel detector).
  • Dit resulteert in een set lineaire metingen ($y = Ax + n$), waarbij $A$ de sensormatrix is (de DMD-patronen) en $y$ de gemeten intensiteiten.

• Reconstructie-algoritme:

  • Omdat kwantumbronnen vaak spaars zijn in de ruimtelijke domein (weinig niet-nul pixels), kan het beeld worden gereconstrueerd uit veel minder metingen dan het aantal pixels ($M \ll N^2$).
  • De auteurs gebruiken een GPSR-BB-algoritme (Gradient Projection for Sparse Reconstruction met Barzilai-Borwein stapgrootte) om het oorspronkelijke beeld te reconstrueren door een $\ell_1$-geregulariseerde kleinste-kwadratenprobleem op te lossen.
  • Voor de intensiteit wordt aangenomen dat het beeld spaars is in de canonieke pixelbasis.

• Uitbreiding naar correlatie ($g^{(2)}(0)$):

  • De methode wordt numeriek uitgebreid om ook ruimtelijke kaarten van de tweede-orde correlatiefunctie $g^{(2)}(0)$ te reconstrueren.
  • Dit is complexer omdat de gemeten correlatie van een samengevoegd signaal niet lineair is ten opzichte van de individuele pixelcorrelaties.
  • Er wordt een tweestapsprocedure ontwikkeld: eerst de intensiteit reconstrueren, en vervolgens de $g^{(2)}(0)$-waarden afleiden uit de gecombineerde metingen en de gereconstrueerde intensiteit.

3. Belangrijkste Bijdragen

1. Vervanging van Raster-Scanning: Demonstratie van een beeldvormingsmethode die raster-scanning vervangt door multiplex-metingen met breedveld-excitatie, wat de acquisitietijd drastisch verkort.
2. Hoge Efficiëntie: Experimentele bewijsvoering dat nauwkeurige beeldherstel mogelijk is met slechts 20% van de metingen die nodig zijn voor conventionele raster-scanning.
3. Correlatie-gebaseerde Kwantumbeeldvorming: De eerste demonstratie (numeriek en conceptueel) van het reconstrueren van ruimtelijke kaarten van $g^{(2)}(0)$ uit compressieve metingen. Dit maakt het mogelijk om single-photon emitters te identificeren via antibunching-signalen met sterk gereduceerde data.
4. Algemene Toepasbaarheid: De methode is niet beperkt tot NV-centra; hij is toepasbaar op elke kwantumbron met een spaarse ruimtelijke verdeling.

4. Resultaten

• Numerieke Simulaties:

  • Simulaties met willekeurige verdelingen van NV-centra toonden aan dat zelfs bij sterke undersampling (20% data) de positie en relatieve intensiteit van de emitters perfect worden gereconstrueerd.
  • De genormaliseerde correlatiecoëfficiënt tussen het grond-truth beeld en het gereconstrueerde beeld bedroeg 100% in de simulaties.

• Experimentele Validatie:

  • Met een opstelling met een DMD en SPAD werden experimenten uitgevoerd op een monster met NV-centra.
  • Bij een sampling-ratio van 20% werd een Pearson-correlatiecoëfficiënt van 0,927 en een Peak Signal-to-Noise Ratio (PSNR) van 35 dB bereikt in vergelijking met een referentie-rasterscan.
  • De beeldkwaliteit stabiliseerde boven een sampling-ratio van ongeveer 30%.
  • De acquisitietijd werd met een factor 5 verkort.

• Correlatie-Resultaten:

  • De numerieke reconstructie van de $g^{(2)}(0)$-kaart toonde aan dat locaties met $g^{(2)}(0) < 0,5$ (kenmerkend voor single-photon emitters) correct werden geïdentificeerd, ondanks het gebruik van slechts 20% van de data.

5. Betekenis en Toekomstperspectief

Dit onderzoek biedt een krachtige oplossing voor de beperkingen van conventionele kwantumbeeldvorming:

• Foton-efficiëntie: Ideaal voor monsters met een beperkt fotonenbudget, waar elke foton telt.
• Snelheid: Significante reductie in acquisitietijd, essentieel voor dynamische processen of grote gezichtsvelden.
• Kwaliteit: Behoud van ruimtelijke informatie en statistische eigenschappen (zoals antibunching) met minder meetoverhead.

De methode opent de deur voor snellere en efficiëntere kwantumsensoren en beeldvormingssystemen. Toekomstig werk kan gericht zijn op het gebruik van adaptieve of geleerde verlichtingspatronen om de efficiëntie verder te verbeteren en de integratie van compressieve sensing met andere kwantumeigenschappen.