Physics-Based versus Data-Driven Classification of Single-Photon Quantum Emitters from Sparse Autocorrelation Data
本文通过对顺序贝叶斯推断、Levenberg-Marquardt 拟合以及前馈神经网络在利用稀疏自相关数据进行单光子发射器分类方面的表现进行基准测试，证明了尽管没有哪种方法能在所有指标上都占据主导地位，但基于物理的方法与数据驱动的方法是互补的工具，在收敛速度、可解释性以及在不同光子统计特性下的鲁棒性方面各具优势。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在构建下一代量子技术的探索过程中，科学家们依赖于被称为单光子发射器的微小且专门的光源。这些是微观物体，例如固体材料中的缺陷或单个原子，它们一次只释放一个光粒子。这种精确的行为是安全通信、强大计算和超灵敏传感的基础。然而，在广阔且混乱的潜在候选者景观中寻找这些稀有的发射器是一项艰巨的任务。研究人员必须将真正的单光子源与协同作用的一组发射器区分开来，这一过程需要测量光粒子到达的时间规律。标准方法涉及统计两个探测器同时触发点击的频率，这种技术可以揭示光的纯度。然而，这种测量过程缓慢且在统计上非常脆弱；如果光线暗淡或测量时间较短，数据就会变得稀疏且充满噪声，使得人们很难分辨出是真正的单发射器还是由一群“冒充者”组成的群体。
悉尼科技大学和特伦特大学的研究小组致力于通过比较三种不同的稀疏光测量分析方法来解决这一识别问题。他们想知道在数据稀缺时，现代机器学习是否能超越传统的基于物理的方法，或者这两种方法是否各具优势。为了进行公平测试，他们根据六方氮化硼（一种以托管这些量子发射器而闻名的材料）的真实实验创建了一个庞大的模拟测量库。由于数据是由他们自行生成的，他们确切知道每种情况下发射器的确切数量，从而能够观察到哪种方法做出了正确的判断，哪种方法犯了错误。随后，他们让一种经典的数学拟合技术、一种新的逐步统计方法以及一种神经网络（一种经过训练以识别模式的人工智能类型）展开了对决。
结果显示，没有哪种方法是适用于所有情况的完美选择，最佳选择完全取决于研究人员有多少等待数据的时间。当测量时间极短且数据非常稀疏时，神经网络被证明是最稳健的。它是唯一避免了特定陷阱的方法——在其他两种方法由于数据过于稀薄而无法支持其他结论，从而误判几乎所有东西都是单发射器的情况下，依然保持了准确。在这个早期且困难的阶段，神经网络产生的虚假警报远少于其他方法，它能正确识别出许多候选者实际上是发射器组而非单个发射器。然而，随着测量时间的增加和更多数据的积累，竞争趋于平缓。所有三种方法最终都达到了近乎完美的准确度，能够高可靠性地识别出发射器。
当观察这些方法如何达到准确度时，它们的差异变得清晰可见。神经网络是一个“黑箱”；它学会了识别光的形状，却不解释原因，它提供了速度和韧性，但无法提供关于光物理特性的见解。相比之下，新的贝叶斯序列方法提供了另一种优势。它将测量视为一个随时间展开的故事，随着每一件新证据的到来不断更新其置信度。这种方法使其比传统方法更快地收敛到正确答案，且过程比其他方法更平滑，同时还能为其决策提供清晰的物理解释。经典的数学拟合方法虽然在达到可靠结论方面最慢，且在数据稀缺时最容易出错，但一旦收集到足够的数据，它最终被证明是在寻找每一个真实发射器方面最彻底的方法，尽管在此过程中偶尔会产生更多的虚假警报。
这项研究表明，仅仅依赖单一指标（例如某种方法发现真实单发射器的频率）可能会产生误导。一种方法可能会发现许多真实的发射器，但也可能将许多群体错误地标记为单发射器，这对于构建量子器件来说是致命的失败。研究人员发现，通过结合所有三种方法的预测——本质上是采取一种由多数决定结果的投票机制——他们可以将总错误数降低到任何单一方法单独能达到的水平以下。这种混合方法利用了每种策略的独特优势：神经网络处理稀疏数据的能力、贝叶斯方法快速且可解释的收敛性，以及经典方法的高灵敏度。最终，这项工作证明了基于物理的方法和数据驱动的方法并非对手，而是互补的工具，而筛选量子发射器的最有效策略很可能就是将它们结合使用。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。