[논문 리뷰] An unsupervised deep learning algorithm for single-site reconstruction in quantum gas microscopes

Alexander Impertro, Julian F. Wienand외 7명|arXiv (Cornell University)|2022. 12. 22.

Cold Atom Physics and Bose-Einstein Condensates인용 수 5

한 줄 요약

이 논문은 레이저 간격이 해상도의 반 이하인 경우에도 고정밀도로 위치별 원자 점유를 복원할 수 있는 정규화된 컨volution 오토에인코더 기반의 비지도 딥러닝 알고리즘을 제시한다. 실험적 발광 이미지만으로 훈련된 이 방법은 세슘 원자 시스템에서 레이저 간격 383.5 nm, 레일리 해상도 850 nm 조건에서 모든 점유율에서 96%를 초과하는 복원 정밀도를 달성한다.

ABSTRACT

In quantum gas microscopy experiments, reconstructing the site-resolved lattice occupation with high fidelity is essential for the accurate extraction of physical observables. For short interatomic separations and limited signal-to-noise ratio, this task becomes increasingly challenging. Common methods rapidly decline in performance as the lattice spacing is decreased below half the imaging resolution. Here, we present a novel algorithm based on deep convolutional neural networks to reconstruct the site-resolved lattice occupation with high fidelity. The algorithm can be directly trained in an unsupervised fashion with experimental fluorescence images and allows for a fast reconstruction of large images containing several thousand lattice sites. We benchmark its performance using a quantum gas microscope with cesium atoms that utilizes short-spaced optical lattices with lattice constant $383.5\,$nm and a typical Rayleigh resolution of $850\,$nm. We obtain promising reconstruction fidelities~$\gtrsim 96\%$ across all fillings based on a statistical analysis. We anticipate this algorithm to enable novel experiments with shorter lattice spacing, boost the readout fidelity and speed of lower-resolution imaging systems, and furthermore find application in related experiments such as trapped ions.

연구 동기 및 목표

• 격자 간격이 영상 해상도의 반 이하일 때, 양자 가스 마이크로스코프에서 낮은 정밀도의 위치별 복원 문제를 해결한다.
• 낮은 신호 대 잡음비(SNR)와 짧은 원자 간 거리 조건에서 전통적인 역잔여 및 반복 최소 제곱 방법의 한계를 극복한다.
• 쌍체 또는 합성 훈련 데이터가 필요 없이 실험적 발광 이미지만을 활용하여 고정밀 복원을 가능하게 한다.
• 더 짧은 격자 간격을 가진 향후 실험을 지원하고, 낮은 해상도 영상 시스템에서의 독출 정밀도를 향상시킨다.

제안 방법

• 원시 발광 이미지에서 점유율을 학습하기 위해 인코더-디코더 구조를 가진 정규화된 컨volution 오토에인코더 아키텍처를 사용한다.
• 학습된 뱃지 표현에서 입력 이미지를 복원하기 위해 디코더에서 역전치 컨볼루션을 적용한다.
• 뱃지층에서 tanh 활성화 함수를 사용하여 이진 점유(0 또는 1)에 해당하는 이중 모드 분포를 생성함으로써 이진화된 복원을 가능하게 한다.
• 지도 학습이 아닌 비지도 방식으로 실험적 발광 이미지만을 사용하여 네트워크를 훈련한다. 지도 레이블이 필요하지 않다.
• 네트워크가 데이터에서 직접 포인트 스프레드 함수(PSF)와 잡음 특성을 학습할 수 있도록 하여 장거리 비대칭 PSF 특징까지 포함한다.
• 동일한 원자 분포를 두 번 촬영하는 듀얼 이미징 기법을 사용하여, 이동/손실 사건의 확률 모델을 기반으로 복원 정밀도를 추정한다.

실험 결과

연구 질문

• RQ1 격자 간격이 영상 해상도의 반 이하일 때, 비지도 딥러닝 모델이 양자 가스 마이크로스코프에서 단일 위치 원자 점유를 고정밀도로 복원할 수 있는가?
• RQ2 낮은 SNR 및 짧은 원자 간 거리 조건에서 제안된 오토에인코더의 복원 정밀도는 기존 방법과 비교해 어떻게 다른가?
• RQ3 레이블이 없는 훈련 데이터 조건에서, 모델은 다양한 원자 점유율과 잡음 조건에 대해 얼마나 잘 일반화되는가?
• RQ4 열적 이동 및 손실가 있는 실제 실험 조건에서 듀얼 이미징 방법은 복원 정밀도를 신뢰성 있게 추정할 수 있는가?
• RQ5 비대칭적이거나 확장된 포인트 스프레드 함수(PSF)를 가진 시스템에 적용했을 때 모델의 성능은 유지되는가?

주요 결과

• 제안된 비지도 딥러닝 알고리즘은 세슘 기반 양자 가스 마이크로스코프 실험 데이터에서 모든 원자 점유율에서 96% 초과의 복원 정밀도를 달성한다.
• 이 방법은 기존 방법이 실패하는 조건인 격자 간격 383.5 nm가 레일리 해상도 850 nm의 반 이하일 때도 높은 성능을 유지한다.
• 지상 진실 레이블이나 쌍체 훈련 데이터가 없이도 다양한 점유율과 잡음 수준에 대해 잘 일반화된다.
• 듀얼 이미징 정밀도 추정 방법은 신뢰할 수 있는 실험적 지표를 제공하며, 식 (S4)를 통해 측정된 점유율 차이에서 정확한 복원 정밀도 추출이 가능하다.
• 네트워크는 데이터에서 복잡한 비대칭 포인트 스프레드 함수(PSF)와 잡음 특성을 직접 학습하여 복원 정밀도를 향상시킨다.
• 이 알고리즘은 수천 개의 격자 위치를 포함하는 큰 이미지에 대해 빠른 복원을 가능하게 하여 양자 다체 실험에서 고처리량 분석에 적합하다.