使用机器学习对单光子的空间模式校正

在陆军资助下，美国路易斯安那州立大学的研究者展示了一种机器学习方法，该方法可以校正由光子组成的系统中的量子信息，从而改善在战场上部署量子传感和量子通信技术的前景。相关信息发表在《Advanced Quantum Technologies》上。

在过去的二十年中，空间结构光束已广泛用于从3D表面成像到量子密码学的多种应用。在拉盖尔-高斯模型下，可对光束中的单个光子进行信息编码，从而产生了新的通信加密协议。该技术已被应用于高速光纤通信以及空间和水下通信。结构化光束还提高了针对窃听者的安全级别，还可用于遥感成像技术。然而，在现实环境中光子的空间分布很容易扭曲。随机相位失真和散射效应会破坏结构化光束中编码的信息。尽管这种信息扭曲和失真可以通过使用自适应光学，量子相关和非线性光学的常规方案得以缓解，但尚未有方案可以有效且快速地克服单光子级的湍流效应。

为了解决这一问题，研究者开发了一种智能通信协议，该协议可利用卷积神经网络（CNN）的自学习功能来校正单个光子的空间轮廓, 进而来纠正由光子组成的量子系统中的信息失真。这是一种用于校正拉盖尔-高斯（Laguerre-Gaussian，LG）模型下的单光子信息系统扭曲。

研究人员利用一种机器学习来纠正由光子组成的量子系统中的信息失真。该团队发表在Advanced Quantum Technologies上，证明了利用人工神经网络的自学习和自我发展功能的机器学习技术可以帮助纠正失真的信息。这些结果优于依赖传统自适应光学器件的传统协议。

图1，(a) 用于演示湍流校正的装置示意图。 实验是使用He-Ne激光和通过自发参量下转换（SPDC）产生的单光子进行的。 使用二向色镜（DM）切换光源。Alice使用空间光调制器（SLM）对光子的空间轮廓进行整形。 准备好的光子通过饱和流发送到Bob。 然后，Bob对结构化的光子执行校正和量子态层析成像。 为了做到这一点，收集多类和单光子图像来训练一个人工神经网络。高亮度图像是使用CCD相机获得的，而单光子图像是在门控ICCD相机上形成的。 （b）用于湍流校正的神经网络包括五层卷积神经网络（CNN）和带有梯度下降优化（GDO）算法的反馈回路。

具体而言，研究者首先使用空间光调制器（SLM）和计算机生成的全息图来模拟出光线传播的LG空间模式，然后使用4f光学系统对生成的模式进行滤波和准直，然后投影到第二个SLM上。接下来使用偏振分束器（PBS）将第二个SLM反射的光束分成两束。由PBS反射的光束的空间轮廓由CCD摄像机记录。接收端的操作者收集了50种光子扭曲模式图像，将这些图像中的45张用作训练集，其余5张用作测试集。每个实验图像的分辨率为400×400像素，然后对每个图像进行下采样形成128×128像素的矩阵供CNN进行机器学习。该CNN卷积网络共有五层，并配合有梯度下降优化（GDO）算法的反馈回路。CNN拍摄LG光束的湍流图像，并用5×5滤光器对其进行卷积。该步骤之后立即进行2×2的最大池化层，然后将它们馈送到100个完全连接的神经元中。最后，研究者利用数百个畸变图像实例来获得多种湍流强度，以训练神经网络。受过训练的CNN的功能是根据标准折射率值预测湍流强度。 而GDO循环的功能是在模拟湍流的随机矩阵的多重实现上优化校正相位掩码。然后在第二SLM中对相位掩模进行编码，以获得在SLM的图像平面处的校正后的空间模式。

最后的实验结果表明，在研究者开发的算法矫正下，光子信息的失真度可以在通信信道的湍流干扰强度高出几个数量级的条件下达到和传统自适应光学方法大致相同。

本研究的成果可用于用于改善依赖于结构化单光子的光通信协议的信道容量，从而加强加密量子通信的可靠性和遥感成像的质量。