[論文レビュー] Identification of Light Sources using Machine Learning

Chenglong You, Mario A. Quiroz‐Juárez+7 more|arXiv (Cornell University)|Sep 17, 2019

Spectroscopy Techniques in Biomedical and Chemical Research参考文献 1被引用数 4

ひとこと要約

本論文では、1つの人工ニューロン（ADALINE）とナイーブベイズ分類器を用いた機械学習的手法を提案し、1光子レベルでのコherent光と熱的光の光源を同定する。光子数の統計的フラクチュエーションを活用することで、測定回数を数個のオーダー単位に削減し、平均光子数が1未塔の状態でも10回未塔の測定で高い識別精度を達成する。

ABSTRACT

The identification of light sources represents a task of utmost importance for the development of multiple photonic technologies. Over the last decades, the identification of light sources as diverse as sunlight, laser radiation and molecule fluorescence has relied on the collection of photon statistics or the implementation of quantum state tomography. In general, this task requires an extensive number of measurements to unveil the characteristic statistical fluctuations and correlation properties of light, particularly in the low-photon flux regime. In this article, we exploit the self-learning features of artificial neural networks and naive Bayes classifier to dramatically reduce the number of measurements required to discriminate thermal light from coherent light at the single-photon level. We demonstrate robust light identification with tens of measurements at mean photon numbers below one. Our work demonstrates an improvement in terms of the number of measurements of several orders of magnitude with respect to conventional schemes for characterization of light sources. Our work has important implications for multiple photonic technologies such as LIDAR and microscopy.

研究の動機と目的

• 低光子フラックス領域における最小限の測定で光源を同定する課題に対処すること。
• 量子状態トモグラフィーやマンデルパラメータ推定といった従来手法の限界を克服すること。これらは大量のデータを必要とする。
• 機械学習が、光源識別に必要な測定回数を著しく削減できることを示すこと。
• ADALINE やナイーブベイズといったシンプルなモデルが、リアルタイムでリソース制限のある光子応用に適しているかを検討すること。
• LIDAR、顕微鏡、リモートセンシングにおける実用的実装を可能にするために、データ取得の必要を最小限に抑えること。

提案手法

• コherent光および熱的光の光源からの光子数統計を用いて、1つのADALINEニューロンを学習する。
• 超伝導ナノワイヤー単一光子検出器（SNSPDs）からのTTLパulsesを、全射光子計数法を用いて記録する。
• ADALINEモデル（適応線形ニューロン）を適用し、光子到着時刻の統計的フラクチュエーションに基づいて光源を分類する。
• 同じ光子統計を用いてトレーニングされたナイーブベイズ分類器との性能を比較する。
• ベンチマークのため、1次元畳み込みニューラルネットワーク（1D-CNN）および多層ニューラルネットワーク（MNN）の追加モデルを評価する。
• 学習には交差エントロピー損失とスケーリング共役勾配バックプロパゲーションを用い、ディープネットワークではReLUおよびソフトマックス活性化関数を採用する。

実験結果

リサーチクエスチョン

• RQ1 機械学習を用いることで、コherent光と熱的光の光源を同定するのに必要な測定回数を削減できるか？
• RQ2 低光子状態において、シンプルなADALINEニューロンの性能は、1D-CNN や MNN といったより複雑なモデルと比べてどうか？
• RQ3 平均光子数が1未塔の状態で、信頼性のある光源同定に必要な最小測定回数はどの程度か？
• RQ4 ADALINEモデルは、最小限のデータで信号光子と環境ノイズを効果的に区別できるか？
• RQ5 モデルの複雑さは、光子統計分類における汎化性能と計算コストにどのように影響するか？

主な発見

• ADALINEモデルは、平均光子数が1未塔の状態でも10回未塔の測定で正確な光源同定を達成し、従来手法と比較して数個のオーダー単位で測定回数を削減した。
• 同じ実験条件下で、ADALINEモデルはナイーブベイズ分類器よりも認識精度が優れていた。
• 1D-CNNおよびMNNモデルはADALINEと同等の性能を示したが、はるかに多くの計算リソースを要し、トレーニングもより複雑であった。
• 平均光子数が0.4および0.77の状態では、MNNの精度が隠れ層ニューロン数の増加に伴い低下し、過パrameter化と一般化性能の低下が生じた。
• 1D-CNNは、データサイズが増加するにつれてMNNよりも速やかに飽和した精度に達した。これは、低光子状態において収束が速いことを示している。
• 全体的な精度は訓練データ点の増加に伴い向上したが、1D-CNNはMNNに比べて高い計算コストを要しながらも、より速やかにピーク性能に達した。