[论文解读] 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 5

一句话总结

该论文提出了一种基于正则化卷积自编码器的无监督深度学习算法，可在亚分辨率晶格间距下以高保真度重建量子气体显微镜中的位点分辨原子占据。仅使用实验荧光图像进行训练，该方法在铯原子系统（晶格常数383.5 nm，瑞利分辨率850 nm）中所有填充度下均实现了超过96%的重建保真度。

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.

研究动机与目标

• 解决当晶格间距低于成像分辨率一半时，量子气体显微镜中位点分辨重建保真度低的问题。
• 克服传统去卷积和迭代最小二乘法在信噪比（SNR）低和原子间距短时的局限性。
• 在无需成对或合成训练数据的情况下实现出色的重建精度，仅依赖实验荧光图像。
• 为未来采用更短晶格间距的实验铺平道路，并提升低分辨率成像系统中的读出保真度。

提出的方法

• 采用具有编码器-解码器结构的正则化卷积自编码器架构，从原始荧光图像中学习位点占据情况。
• 在解码器中使用转置卷积，从学习到的瓶颈表示中重建输入图像。
• 在瓶颈层应用tanh激活函数，生成对应于二值占据（0或1）的双峰分布，从而实现二值化重建。
• 仅使用实验荧光图像进行无监督训练，无需真实标签。
• 利用网络从数据中直接学习点扩散函数（PSF）和噪声特性，包括长程非对称PSF特征。
• 采用双次成像——对同一原子分布进行两次捕获——通过重建与跃迁/损失事件的概率模型来估计重建保真度。

实验结果

研究问题

• RQ1 当晶格间距低于成像分辨率一半时，无监督深度学习模型能否在量子气体显微镜中以高保真度重建单点原子占据？
• RQ2 在低信噪比和短原子间距条件下，所提出的自编码器与传统方法相比，其重建保真度如何？
• RQ3 在无真实标签训练数据的情况下，该模型在不同原子填充度和噪声条件下的泛化能力如何？
• RQ4 双次成像方法能否在存在热跃迁和损失的真实实验条件下可靠估计重建保真度？
• RQ5 当应用于具有非对称或扩展点扩散函数的系统时，该模型的性能是否依然稳健？

主要发现

• 所提出的无监督深度学习算法在基于铯的量子气体显微镜实验数据中，所有原子填充度下的重建保真度均超过96%。
• 即使在晶格间距（383.5 nm）低于瑞利分辨率（850 nm）的情况下，该方法仍保持高性能，而传统方法在此条件下失效。
• 该模型在无真实标签或成对训练数据的情况下，对不同填充度和噪声水平均表现出良好的泛化能力。
• 双次成像保真度估计方法提供了一种可靠的实验度量，式(S4)可从测得的占据差异中准确提取重建保真度。
• 网络能够直接从数据中学习复杂的非对称点扩散函数（PSF）和噪声特性，从而提高重建精度。
• 该算法可快速重建包含数千个晶格位点的大图像，适用于量子多体实验中的高通量分析。