基于深度学习算法的量子成像问题研究

When the energy of a light beam shrinks to the scale of several photons, its quantum property will be exhibited. In the imaging system illuminated by the light with significant quantum property, i.e. the quantum imaging system, some classical imaging limits can be beaten. However, for the fact that quantum imaging is easily disturbed by the environment, its efficiency of obtaining an image is rather low which largely hinders the application. In recent decades, deep learning algorithm, especially deep neuron networks, attracts lots of attention from the research fields such as computation vision. A series of work show that image reconstruction and classification can be accomplished in a relatively short time by the algorithms of deep neuron networks. Many related applications in classical imaging systems have been reported. In this program, we want to investigate the application of deep neuron networks to quantum imaging process. During the convergent training stage, the insufficient measurement data will be considered as the training input of the deep neuron networks. By such a manner, we are looking forward to a decrease of the quantum imaging time by introducing a convergent deep neuron network, so that the efficiency of the quantum imaging could be improved which would promote its applications in our daily life.

当光场的能量强度衰减到几个光子能量的尺度时，光场的量子特性就会展现出来。利用具有量子特性的光场进行成像的过程，也即量子成像，可以突破一些经典光学成像的极限。但由于量子成像十分容易受到环境干扰，导致成像效率低下，从而难以被投入到实际应用中。近年来，深度学习算法，特别是深度神经网络算法是计算机视觉领域研究的热点。大量的研究结果表明，通过深度神经网络可以进行高效的图像获取和图像识别，并在经典成像系统中得到了应用。本项目拟将深度神经网络算法引入量子成像过程，使用未经过充分测量的成像数据作为深度神经网络的输入信息对其进行训练，并使训练过程收敛。通过量子成像和深度神经网络的结合，我们希望能够降低获得高品质量子成像输出所需进行的测量时间，从而提高量子成像效率，使得其能够更好的应用于日常生活之中。

尽管量子成像技术可以突破经典光学的衍射极限，具有更好的探测灵敏度，但其在实际应用中依然面对着很大的技术困难。本项目通过将当前广受关注的机器学习算法引入量子成像方案，探究了其对受到噪声干扰的量子成像的恢复作用。具体而言，我们将深度学习算法引入量子NOON态成像方案，并发现，在深度学习模型的辅助下，2光子NOON态的成像噪声可以降到8光子NOON态的水平。这使得我们可以利用较容易制备的2光子NOON态来达成较难制备的8光子NOON态的成像效果。另外，我们还研究了Fourier域量子光相干层析方案中的噪声问题。我们发现，噪声的存在会使得深度探测信号中出现能够导致误判的冗余成分，从而影响探测精度。并且我们证明，可以通过深度学习模型对这样的冗余信号进行祛除。除此之外，我们还研究了对量子成像有潜在价值的其他机器学习算法以及光学调控手段。在算法方面，我们提出了量子深度迁移学习算法。该算法能够有效利用便于训练的模型或数据集来提升难以训练的小数据集模型的训练精度。并且，该方法相对于经典的对应算法存在加速效果。在光学调控方面，我们给出了一种新的通用光计算架构。该架构和通用量子计算之间存在良好的对应关系，能够执行对量子算法的模拟。这些方案为后续进一步研究高性能的光学成像技术奠定了基础。