Künstliche Intelligenz wird verwendet, um Lichtquellen mit wesentlich weniger Messungen zu identifizieren

Eine Gruppe von Forschern hat künstliche Intelligenz (KI) verwendet, um Lichtquellen zu identifizieren. Die neue Methode erfordert dramatisch weniger Messungen als traditionell erforderlich.

Viele photonische Technologien, einschließlich Lidar, Remote-Sensing und Mikroskopie, werden teilweise durch die Identifizierung von Lichtquellen entwickelt. Einige dieser Quellen umfassen Sonnenlicht, Laserstrahlung und Molekül-Fluoreszenz. Die Identifizierung erfordert normalerweise Millionen von Messungen, was besonders in schwach beleuchteten Umgebungen der Fall ist, was es extrem schwierig macht, Quanten-Photonik-Technologien umzusetzen.

Die Arbeit wurde in Applied Physics Reviews veröffentlicht, von AIP Publishing. Sie trägt den Titel „Identifizierung von Lichtquellen mithilfe von Machine Learning“.

Künstliches Neuron

Omar Magana-Loaiza ist ein Autor des Papiers.

“Wir haben ein künstliches Neuron mit den statistischen Fluktuationen trainiert, die kohärentes und thermisches Licht charakterisieren”, sagte Magana-Loaiza.

Das künstliche Neuron wurde zunächst mit Lichtquellen trainiert, was dazu führte, dass es in der Lage war, bestimmte Merkmale zu identifizieren, die mit bestimmten Arten von Licht in Verbindung stehen.

Chenglong You ist ein Fellow-Forscher und Co-Autor des Papiers.

“Ein einzelnes Neuron reicht aus, um die Anzahl der Messungen, die zur Identifizierung einer Lichtquelle erforderlich sind, von Millionen auf weniger als hundert zu reduzieren”, sagte You.

Anwendungen und Vorteile

Da zur Identifizierung von Lichtquellen so viel weniger Messungen erforderlich sind, kann dies viel schneller erfolgen. Neben der Geschwindigkeit kann es auch zu einer Reduzierung von Lichtschäden kommen. Zum Beispiel kann in der Mikroskopie der Lichtschaden begrenzt werden, da die Probe nicht so stark beleuchtet werden muss, wie wenn viele Messungen erforderlich sind.

Roberto de J. León-Montiel ist ein weiterer Co-Autor des Papiers.

“Wenn Sie beispielsweise ein Bildgebungsexperiment mit empfindlichen fluoreszierenden Molekülkomplexen durchführen, könnten Sie die Zeit, die die Probe dem Licht ausgesetzt ist, reduzieren und jeden Photoinstabilitätsschaden minimieren”, sagte León-Montiel.

Ein weiterer Bereich, der von dieser Technologie profitieren wird, ist die Kryptographie, bei der oft Millionen von Messungen erforderlich sind, um Schlüssel zur Verschlüsselung von Nachrichten oder E-Mails zu generieren.

“Wir könnten die Generierung von Quantenschlüsseln für die Verschlüsselung mithilfe eines ähnlichen Neurons beschleunigen”, sagte Magana-Loaiza.

Laserlicht, das in der Remote-Sensing-Technologie wichtig ist, könnte auch davon profitieren. Eine neue Familie von intelligenten Lidar-Systemen könnte entwickelt werden, die in der Lage sind, abgefangene oder modifizierte Daten zu identifizieren, die von einem entfernten Objekt reflektiert werden. Lidar ist eine Remote-Sensing-Methode, die ein Ziel mit Laserlicht beleuchtet und dann das reflektierte Licht mit einem Sensor misst, um die Entfernung zum Ziel zu messen.

“Die Wahrscheinlichkeit, ein intelligentes Quanten-Lidar-System zu stören, wird mit unserer Technologie dramatisch reduziert”, fuhr Magana-Loaiza fort. Darüber hinaus wird die Möglichkeit, Lidar-Photonen von Umgebungslicht wie Sonnenlicht zu unterscheiden, wichtige Auswirkungen auf die Remote-Sensing-Technologie bei schwach beleuchteten Bedingungen haben.