[論文レビュー] An unsupervised deep learning algorithm for single-site reconstruction in quantum gas microscopes

Alexander Impertro, Julian F. Wienand+7 more|arXiv (Cornell University)|Dec 22, 2022

Cold Atom Physics and Bose-Einstein Condensates被引用数 5

ひとこと要約

本論文では、正則化された畳み込みオートエンコーダーに基づく教師なし深層学習アルゴリズムを提示する。この手法は、分解能未満の格子定数でも、量子ガス顕微鏡におけるサイト別原子占有状態を高い忠実度で再構成できる。実験的蛍光像のみで訓練されたこの手法は、850 nmのレイリー分解能、383.5 nmの格子定数を有するセシウム原子系において、全占有状態で96%を超える再構成忠実度を達成している。

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.

研究の動機と目的

• 格子定数が像分解能の半分未塔の状況で、量子ガス顕微鏡におけるサイト別再構成の忠実度が低いという課題に対処する。
• 低SNRおよび短い原子間隔の条件下で、従来のデコンボリューション法や反復的最小二乗法に起因する制限を克服する。
• ペairedデータや合成トレーニングデータを必要とせず、実験的蛍光像のみを用いて高精度な再構成を可能にする。
• 将来的な実験における短い格子定数の利用を促進し、低分解能の像取得システムにおける読み出し忠実度を向上させる。

提案手法

• エンコーダ-デコーダ構造を有する正則化された畳み込みオートエンコーダーのアーキテクチャを採用し、生の蛍光像からサイト占有状態を学習する。
• ボトルネック表現から入力画像を再構成するために、デコーダで逆畳み込み（トランスポジットコンボリューション）を用いる。
• ボトルネック層でtanh活性化関数を適用し、二値占有（0または1）に対応する二峰性分布を生成することで、バイナリ化再構成を可能にする。
• 教師なし学習により、実験的蛍光像のみを用いてネットワークを訓練する。真のラベルは不要。
• ネットワークがデータから直接ポイントスプツ関数（PSF）およびノイズ特性を学習できることを活用し、長距離に及ぶ非対称PSF特徴を含む。
• 同じ原子分布を2回撮影する二重撮影法を用い、再構成およびホッピング／損失イベントの確率的モデルを介して再構成忠実度を推定する。

実験結果

リサーチクエスチョン

• RQ1 格子定数が像分解能の半分未塔の状況で、教師なし深層学習モデルが量子ガス顕微鏡における1サイトごとの原子占有状態を高い忠実度で再構成できるか。
• RQ2 低SNRおよび短い原子間隔の条件下で、提案されたオートエンコーダーの再構成忠実度は、従来手法と比べてどの程度優れているか。
• RQ3 教師付きラベルなしで、異なる原子占有状態やノイズ条件にわたって、モデルがどの程度一般化できるか。
• RQ4 二重撮影法は、熱的ホッピングおよび損失を伴う実験的条件下で、再構成忠実度を信頼性高く推定できるか。
• RQ5 非対称的または拡張されたポイントスプツ関数（PSF）を有する系に適用した場合、モデルの性能は依然として頑健であるか。

主な発見

• 提案された教師なし深層学習アルゴリズムは、セシウムを用いた量子ガス顕微鏡の実験データにおいて、全原子占有状態で96%を超える再構成忠実度を達成している。
• 従来手法が失敗する状況である、格子定数（383.5 nm）がレイリー分解能（850 nm）の半分未塔の状況でも、高い性能を維持している。
• 真のラベルやペアドトレーニングデータを必要とせず、異なる占有状態やノイズレベルにわたって良好な一般化性能を示している。
• 二重撮影による忠実度推定法は、実験的条件下で信頼性の高い実験的指標を提供しており、式(S4)により測定された占有状態差から正確に再構成忠実度を抽出可能である。
• ネットワークは、データから複雑で非対称なポイントスプツ関数（PSF）およびノイズ特性を直接学習でき、再構成精度が向上している。
• このアルゴリズムは、数千サイトにわたる大規模な画像の高速再構成を可能としており、量子多体系実験における高スループット解析に適している。