[论文解读] 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 4

一句话总结

本文提出一种基于单个人工神经元（ADALINE）和朴素贝叶斯分类器的机器学习方法，用于在单光子水平上识别光源——特别是相干光与热光。通过利用光子计数中的统计涨落，该方法将所需测量次数减少了几个数量级，在平均光子数低于1的情况下，仅需不到十次测量即可实现高精度区分。

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.

研究动机与目标

• 解决在极低光子通量条件下以最少测量次数识别光源的挑战。
• 克服传统方法（如量子态层析成像和曼德尔参数估计）所需数据量庞大的局限性。
• 证明机器学习可显著减少光源识别所需的测量次数。
• 探索ADALINE与朴素贝叶斯等简单模型在实时、低资源光子应用中的可行性。
• 通过最小化数据采集需求，实现LIDAR、显微成像和遥感等实际应用中的可行部署。

提出的方法

• 使用相干光与热光光源的光子计数统计特性训练单个ADALINE神经元。
• 采用保角光子计数方法记录超导纳米线单光子探测器（SNSPDs）的TTL脉冲。
• 应用ADALINE模型——一种自适应线性神经元——基于光子到达时间的统计涨落对光源进行分类。
• 将ADALINE模型与在相同光子统计特性上训练的朴素贝叶斯分类器进行性能比较。
• 评估其他模型（包括一维卷积神经网络（1D-CNN）和多层神经网络（MNN））作为基准。
• 采用交叉熵损失函数，结合缩放共轭梯度反向传播算法进行训练，并在深度网络中使用ReLU与Softmax激活函数。

实验结果

研究问题

• RQ1 机器学习能否显著减少识别相干光与热光所需测量次数？
• RQ2 在低光子通量条件下，简单ADALINE神经元与1D-CNN和MNN等复杂模型的性能相比如何？
• RQ3 在平均光子数低于1的条件下，实现可靠光源识别所需的最少测量次数是多少？
• RQ4 ADALINE模型能否在数据极少的情况下有效区分信号光子与环境噪声？
• RQ5 模型复杂度如何影响光子统计分类中的泛化能力与计算成本？

主要发现

• ADALINE模型在平均光子数低于1的情况下，仅需不到十次测量即可实现准确的光源识别，相比传统方法减少了几个数量级。
• 在相同实验条件下，ADALINE模型的识别准确率优于朴素贝叶斯分类器。
• 1D-CNN与MNN模型的性能与ADALINE相当，但需要显著更高的计算资源，且训练过程更为复杂。
• 对于平均光子数为0.4与0.77的情况，MNN的准确率随隐藏层神经元数量增加而下降，归因于参数过多与泛化能力差。
• 随着数据量增加，1D-CNN的准确率比MNN更快趋于饱和，表明在低光子通量条件下收敛速度更快。
• 总体而言，随着训练数据点增加，准确率提升，但尽管计算成本更高，1D-CNN比MNN更快速达到峰值性能。