[논문 리뷰] Identification of Light Sources using Machine Learning

Chenglong You, Mario A. Quiroz‐Juárez외 7명|arXiv (Cornell University)|2019. 09. 17.

Spectroscopy Techniques in Biomedical and Chemical Research참고 문헌 1인용 수 4

한 줄 요약

이 논문은 단일 인공 뉴런(ADALINE)과 나이브 베이즈 분류기의 기계 학습 접근법을 사용하여 단일 광자 수준에서 빛의 원천—특히 간섭성 빛과 열광—을 식별한다. 광자 수의 통계적 변동성을 활용하여 측정이 몇 개의 주요 수준 감소되며, 평균 광자 수가 1 미만인 경우 10회의 이내 측정으로도 정확한 식별이 가능하다.

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.

연구 동기 및 목표

• 저광자 유량 영역에서 특히 측정 수를 최소화하는 빛의 원천 식별 과제를 해결한다.
• 양자 상태 단층촬영 및 만델 파라미터 추정과 같은 전통적 방법의 한계를 극복한다. 이는 광범위한 데이터 수집이 필요하기 때문이다.
• 기계 학습이 빛의 원천 식별을 위한 측정 수를 극적으로 줄일 수 있음을 보여준다.
• 실시간, 자원이 제한된 광학 응용 분야에 적합한 단순 모델(예: ADALINE 및 나이브 베이즈)의 실현 가능성을 탐색한다.
• 측정 데이터 수확의 필요성을 최소화하여 라이다, 현미경 및 원격 감지 분야에서의 실용적 구현을 가능하게 한다.

제안 방법

• 일관성 있는 빛과 열광 원천으로부터의 광자 수 통계를 사용하여 단일 ADALINE 뉴런을 훈련한다.
• 초전도 나노와이어 단일 광자 탐지기(SNSPD)에서 발생하는 TTL 펄스를 기록하기 위해 사상 광자 수세기 방법을 사용한다.
• ADALINE 모델, 즉 적응형 선형 뉴런을 사용하여 광자 도착 시간의 통계적 변동성을 기반으로 빛의 원천을 분류한다.
• 동일한 광자 통계를 기반으로 훈련된 나이브 베이즈 분류기와 성능을 비교한다.
• 기준 비교를 위해 일차원 컨volutional 신경망(1D-CNN)과 다층 신경망(MNN)과 같은 추가 모델을 평가한다.
• 훈련에 교차 엔트로피 손실과 스케일된 공액 기울기 역전파를 사용하며, 딥 네트워크에서는 ReLU 및 소프트맥스 활성화 함수를 적용한다.

실험 결과

연구 질문

• RQ1 기계 학습을 통해 간섭성 빛과 열광 원천을 식별하기 위해 필요한 측정 수를 줄일 수 있는가?
• RQ2 저광자 영역에서 복잡한 모델인 1D-CNN과 MNN에 비해 단순한 ADALINE 뉴런의 성능은 어떻게 되는가?
• RQ3 평균 광자 수가 1 이하인 경우 신뢰할 수 있는 빛의 원천 식별을 위해 필요한 최소 측정 수는 얼마인가?
• RQ4 ADALINE 모델은 최소한의 데이터로 신호 광자와 환경 잡음을 효과적으로 구분할 수 있는가?
• RQ5 모델의 복잡도는 광자 통계 분류에서 일반화 능력과 계산 비용에 어떤 영향을 미치는가?

주요 결과

• ADALINE 모델은 평균 광자 수가 1 이하인 경우 10회의 측정 이내로도 정확한 빛의 원천 식별을 달성하였으며, 기존 방법 대비 몇 개의 주요 수준 감소되었다.
• 동일한 실험 조건에서 ADALINE 모델은 나이브 베이즈 분류기보다 높은 식별 정확도를 보였다.
• 1D-CNN 및 MNN 모델은 ADALINE과 유사한 성능을 보였지만, 훨씬 더 많은 계산 자원을 요구했고 훈련이 훨씬 더 복잡했다.
• 평균 광자 수가 0.4 및 0.77일 때, MNN의 정확도는 은닉 뉴런 수가 증가함에 따라 과도한 파rameter화와 일반화 능력 부족으로 인해 감소했다.
• 데이터 크기가 증가함에 따라 1D-CNN은 MNN보다 더 빨리 포화된 정확도에 도달하여 저광자 영역에서 더 빠른 수렴을 보였다.
• 전반적으로 더 많은 훈련 데이터 포인트가 성능 향상에 기여했지만, 1D-CNN은 더 높은 계산 비용에도 불구하고 MNN보다 더 빨리 최고 성능에 도달했다.