.png){kind=icon}
返回
Sample classification using machine learning-assisted entangled two-photon absorption
.png){kind=icon}
PRE
AI
DOI：10.1116/5.0261142.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
纠缠双光子吸收（eTPA）已被认为是实现超高灵敏度光谱学的一种潜在强大工具。不幸的是，量子光学界普遍认为，实验测得的eTPA信号，尤其是从分子溶液中获得的信号，极其微弱。因此，通过常规方法获取任意样品的光谱信息迅速变得不切实际。为解决这一问题，作者们提出了一种实验方案，该方案通过电子结构减少识别和分类未知样品所需的数据量。他们提出的方法利用机器学习提取关于吸收介质参与双光子激发的中间能级数量的信息。这是通过训练人工神经网络（ANNs），使用外部控制吸收光子间延迟的各种eTPA信号实现的。受到多篇eTPA实验研究的启发，作者们考虑包含1至4个中间能级的模型系统，这些能级的能量从四个不同的中间能级带隙中随机选取，即Delta lambda=10、20、30和40 nm。在这些带隙内，为测试其人工智能算法的效率，作者们使用了三种不同的波长间隔：1、0.5和0.1 nm。作者们发现，在吸收光子间的适当纠缠时间内，所有配置的分类平均效率均超过99%。他们的结果表明，ANNs在促进eTPA光谱学的实验实现方面具有潜力。© 2025 作者(s)。除另有注明外，本文内容均根据知识共享署名（CC BY）许可协议授权（https://creativecommons.org/licenses/by/4.0/）。https://doi.org/10.1116/5.0261142
Keyword:
VIRTUAL-STATE SPECTROSCOPY
期刊
IF:
3
论文数:
30
被引数:
1.0K
机构
引用论文
.png){kind=icon}
Multiphoton absorption cross section and virtual-state spectroscopy for the entangledn-photon state
PREAI
分享收藏
查看更多内容