Deep learning for classifying quantum emission signals in WS2 monolayers using wavelet transform

Hossein Najaf-Zadeh

doi:10.1038/s41598-025-29120-0

Deep learning for classifying quantum emission signals in WS2 monolayers using wavelet transform

2025-11-22

0

OA

AI

DOI：10.1038/s41598-025-29120-0

原文链接

查看原文

摘要

En 中文

本研究旨在开发并评估用于WS₂单层纳米泡量子发射信号分类的深度学习方法，涉及多个光谱波段，以解决量子材料表征和光谱可区分性评估中的挑战。我们利用了来自金基底上WS₂单层纳米泡的量子发射信号数据集，波长范围从604到629 nm，并将其分为四个光谱波段（604.06–608.24 nm、611.07–616.34 nm、617.42–623.35 nm和624.16–636.57 nm）。我们的方法包括通过归一化和移动平均平滑进行信号预处理，随后使用基于复Morlet小波的连续小波变换（CWT）将信号转换为128×128 RGB图像。我们实现了三种卷积神经网络架构（ResNet50、VGG16和Xception），并通过六种可能的波段组合进行五折交叉验证进行评估。所有模型均表现出卓越的分类性能，其中VGG16达到最高的总体平均准确率99.4%，其次是Xception（99.1%）和ResNet50（98.2%）。对于光谱距离较远的波段组合，分类准确率始终达到100%，尤其是波段1与波段4（20.5 nm间隔），而最具挑战性的分类涉及相邻波段（波段2与波段3，6.27 nm间隔），VGG16在此情况下达到96.5%的准确率。Friedman检验的统计分析证实了模型间的显著性能差异（χ²=8.67，p=0.013）。Xception展现出卓越的计算效率，在特定波段组合中仅需2个epoch即可实现最优收敛，同时保持超低训练损失值（8.23×10⁻⁶）。深度学习模型，特别是结合CWT预处理时，为量子发射信号分类提供了稳健的框架，对量子光子学、量子密码学和量子传感应用具有重要意义。我们的方法弥合了传统机器学习与量子材料表征之间的差距，为量子信息系统中的光谱可区分性评估建立了可量化的指标。通过迁移学习实现的高分类准确率与最小训练量的能力，解决了量子系统固有的数据稀缺挑战，为未来量子技术开发提供了有前景的方向。

Keyword:

Quantum emission

WS₂ monolayer

Deep learning

Transfer learning

Quantum sensing

Deep learning for classifying quantum emission signals in WS2 monolayers using wavelet transform

摘要

AI总结

期刊

机构

引用论文