Om kwantum optische technologieën praktischer te maken, er is behoefte aan grootschalige integratie van kwantumfotonische circuits op chips.

Deze integratie vereist opschaling van de belangrijkste bouwstenen van deze circuits - bronnen van lichtdeeltjes - geproduceerd door enkele optische kwantumstralers.

Ingenieurs van Purdue University hebben een nieuwe, door machine learning ondersteunde methode ontwikkeld die de ontwikkeling van kwantumfotonische circuits efficiënter kan maken door deze solid-state kwantumstralers snel voor te selecteren.

Het werk is gepubliceerd in het tijdschrift Geavanceerde kwantumtechnologieën .

Onderzoekers over de hele wereld hebben verschillende manieren onderzocht om identieke kwantumbronnen te fabriceren door nanostructuren met enkele optische kwantumstralers te "transplanteren" in conventionele fotonische chips.

"Met de groeiende interesse in schaalbare realisatie en snelle prototyping van kwantumapparaten die gebruikmaken van grote emitterarrays, hoge snelheid, robuuste voorselectie van geschikte emitters noodzakelijk wordt, " zei Alexandra Boltasseva, Ron en Dotty Garvin Tonjes van Purdue, hoogleraar elektrische en computertechniek.

Kwantumstralers produceren licht met unieke, niet-klassieke eigenschappen die in veel kwantuminformatieprotocollen kunnen worden gebruikt.

De uitdaging is dat het koppelen van de meeste solid-state kwantumstralers met bestaande schaalbare fotonische platforms complexe integratietechnieken vereist. Alvorens te integreren, ingenieurs moeten eerst heldere emitters identificeren die snel enkele fotonen produceren, on-demand en met een specifieke optische frequentie.

Voorselectie van de emitter op basis van "zuiverheid van één foton" - het vermogen om slechts één foton tegelijk te produceren - duurt meestal enkele minuten voor elke emitter. Mogelijk moeten duizenden emitters worden geanalyseerd voordat een hoogwaardige kandidaat wordt gevonden die geschikt is voor integratie van kwantumchips.

Om screening op basis van zuiverheid van één foton te versnellen, Purdue-onderzoekers hebben een machine getraind om binnen een fractie van een seconde veelbelovende patronen in de emissie van één fotonen te herkennen.

Volgens de onderzoekers is het snel vinden van de zuiverste single-photon emitters binnen een reeks van duizenden zou een belangrijke stap zijn in de richting van praktische en schaalbare assemblage van grote kwantumfotonische circuits.

"Gezien een fotonzuiverheidsnorm waaraan emitters moeten voldoen, we hebben een machine geleerd om single-photon emitters te classificeren als voldoende of onvoldoende 'puur' met 95% nauwkeurigheid, gebaseerd op minimale gegevens die binnen slechts één seconde zijn verzameld, " zei Zhaxylyk Kudyshev, een Purdue postdoctoraal onderzoeker.

De onderzoekers ontdekten dat de conventionele meetmethode voor de zuiverheid van fotonen die voor dezelfde taak werd gebruikt, 100 keer langer duurde om hetzelfde nauwkeurigheidsniveau te bereiken.

"De machine learning-benadering is zo'n veelzijdige en efficiënte techniek omdat het in staat is om de informatie uit de dataset te halen die de aanpassingsprocedure meestal negeert, ' zei Boltasseva.

De onderzoekers zijn van mening dat hun aanpak het potentieel heeft om de meeste kwantumoptische metingen die kunnen worden geformuleerd als binaire of multiklasse-classificatieproblemen, drastisch te verbeteren.

"Onze techniek kan bijvoorbeeld, versnellen van superresolutiemicroscopiemethoden die zijn gebaseerd op correlatiemetingen van een hogere orde die momenteel worden beperkt door lange beeldacquisitietijden, ' zei Kudyshev.