Tekoälyä Käytetään Valonlähteiden Tunnistamiseen Huomattavasti Vähemmällä Mittauksilla

Tutkijaryhmä on käyttänyt tekoälyä valonlähteiden tunnistamiseen. Uusi menetelmä vaatii dramaattisesti vähemmän mittauksia kuin perinteisesti vaaditaan.

Monet fotoniikkaan liittyvät teknologiat, kuten lidar, etämittaus ja mikroskopia, kehitetään osittain valonlähteiden tunnistamisen avulla. Näitä lähteitä ovat auringonvalo, laser-säteily ja molekyylifluoresenssi. Valonlähteiden tunnistaminen vaatii yleensä miljoonia mittauksia, mikä on erityisen totta heikossa valaistuksessa, mikä tekee kvanttifotoniikan soveltamisen erittäin haasteelliseksi.

Tutkimus julkaistiin Applied Physics Reviews -julkaisussa, jota julkaisee AIP Publishing. Sen otsikko on ”Valonlähteiden tunnistaminen koneoppimisen avulla”

Tekoälyneuroni

Omar Magana-Loaiza on yksi tutkimuksen tekijöistä.

“Koulutimme tekoälyneuronin valonlähteiden tilastollisten fluktuatioden avulla, jotka ovat ominaisia koherentille ja termiselle valolle”, sanoi Magana-Loaiza.

Tehtävässä tekoälyneuronia koulutettiin ensin valonlähteillä, mikä mahdollisti sille tietyn valonlähteen tiettyjen ominaisuuksien tunnistamisen.

Chenglong You on toinen tutkija ja yksi tutkimuksen tekijöistä.

“Yksi tekoälyneuroni riittää dramaattisesti vähentämään valonlähteen tunnistamiseen tarvittavien mittauksien määrää miljoonista alle sataan”, sanoi You.

Sovellukset ja Hyödyt

Siksi, että valonlähteiden tunnistamiseen tarvitaan huomattavasti vähemmän mittauksia, se voidaan tehdä nopeammin. Nopeuden lisäksi voidaan vähentää valon aiheuttamaa vahinkoa. Esimerkiksi valon aiheuttamaa vahinkoa voidaan rajoittaa mikroskoopissa, koska näyte ei tarvitse olla valaistuina yhtä paljon kuin silloin, kun mittauksia tarvitaan paljon.

Roberto de J. León-Montiel on toinen tutkija ja yksi tutkimuksen tekijöistä.

“Jos teet esimerkiksi kuvantamiskokeen herkkien fluoresoivien molekyyliryhmien kanssa, voit vähentää aikaa, jona näyte on alttiina valolle, ja minimoida valon aiheuttaman vahingon”, sanoi León-Montiel.

Toinen ala, joka hyötyy tästä teknologiasta, on salakirjoitus, jossa usein tarvitaan miljoonia mittauksia salausavainparien luomiseen viestien tai sähköpostien salaamiseksi.

“Voimme nopeuttaa kvanttimatemaattisten avainparien luomista salaamiseen käyttämällä samanlaista tekoälyneuronia”, sanoi Magana-Loaiza.

Laser-valo, joka on tärkeä etämittauksessa, voi myös hyötyä tästä. Uuden sukupolven älykkäitä lidar-järjestelmiä voidaan kehittää, jotka pystyvät tunnistamaan vastaanotetun tai muutetun tiedon, joka heijastuu kaukaisesta kohteesta. Lidar on etämittaustekniikka, jossa kohde valaistuu laser-valolla ja heijastunut valo mitataan anturilla kohteen etäisyyden mittaamiseksi.

“Älykkään kvanttilidar-järjestelmän häirintamahdollisuus vähenee dramaattisesti teknologiamme ansiosta”, Magana-Loaiza jatkoi. Lisäksi mahdollisuus erottaa lidar-fotonit ympäristön valosta, kuten auringonvalosta, on tärkeä etämittauksessa heikossa valaistuksessa.