Din telefons GPS, Wi-Fi i ditt hus och kommunikation på flygplan drivs av radiofrekvens, eller RF, vågor, som bär information från en sändare vid en tidpunkt till en sensor vid en annan. Sensorerna tolkar denna information på olika sätt. Till exempel, en GPS-sensor bestämmer sin position genom att använda hur lång tid det tar att ta emot en signal från en satellit. För applikationer som lokalisering inomhus och besegra falska GPS-signaler, en trådlös sensor mäter vinkeln med vilken den tar emot en RF-våg. Ju mer exakt sensorn kan mäta denna tidsfördröjning eller ankomstvinkel, desto mer kan den exakt bestämma platsen eller förbättra säkerheten.

I en ny artikel publicerad i Fysiska granskningsbrev , University of Arizona ingenjörs- och optiska vetenskapsforskare, i samarbete med ingenjörer från General Dynamics Mission Systems, demonstrera hur en kombination av två tekniker – radiofrekvensfotonikavkänning och kvantmetrologi – kan ge sensornätverk en tidigare okänd precisionsnivå. Arbetet går ut på att överföra information från elektroner till fotoner, sedan använda kvantintrassling för att öka fotonernas avkänningsförmåga.

"Detta kvantavkänningsparadigm kan skapa möjligheter att förbättra GPS-system, astronomilaboratorier och biomedicinsk avbildningskapacitet, "sade Zheshen Zhang, biträdande professor i materialvetenskap och ingenjörsvetenskap och optiska vetenskaper, och huvudutredare för universitetets kvantinformations- och materialgrupp. "Det kan användas för att förbättra prestanda för alla applikationer som kräver ett nätverk av sensorer."

Från elektroner till fotoner

Traditionella antennsensorer omvandlar information från RF-signaler till en elektrisk ström som består av rörliga elektroner. Dock, optisk avkänning, som använder fotoner, eller ljusenheter, att bära information, är mycket effektivare. Inte bara kan fotoner hålla mer data än elektroner, ger signalen större bandbredd, men fotonikbaserad avkänning kan överföra den signalen mycket längre än elektronikbaserad avkänning, och med mindre störningar.

Eftersom optiska signaler erbjuder så många fördelar, forskarna använde en elektrooptisk givare för att omvandla RF-vågor till den optiska domänen i en metod som kallas RF-fotonikavkänning.

"Vi konstruerade en bro mellan ett optiskt system och en fysisk mängd i en helt annan domän, " Zhang förklarade. "Vi visade att med en RF-domän i detta experiment, men idén skulle också kunna tillämpas på andra scenarier. Till exempel, om du vill mäta temperatur med fotoner, du kan använda en termooptisk givare för att omvandla temperaturen till en optisk egenskap."

Intrasslade sensorer

Efter att ha konverterat information till den optiska domänen, forskarna tillämpade en teknik som kallas kvantmetrologi. Vanligtvis, en sensors precision begränsas av något som kallas standardkvantgränsen. Till exempel, GPS-system för smartphones är vanligtvis exakta inom en radie på 16 fot. Kvantmetrologi använder intrasslade partiklar för att bryta förbi standardkvantgränsen och ta ultrakänsliga mätningar.

Hur fungerar det? Intrasslade partiklar är bundna så att allt som händer med en partikel påverkar också partiklarna som den trasslar in sig i, så länge som lämpliga mätningar görs.

Tänk dig en handledare och en anställd som arbetar tillsammans i ett projekt. Eftersom det tar tid för medarbetaren att dela information med sin chef genom metoder som e-post och möten, effektiviteten i deras partnerskap är begränsad. Men om de två kunde trassla ihop sina hjärnor, medarbetaren och arbetsledaren skulle automatiskt ha samma information – vilket sparar tid och gör det möjligt för dem att gemensamt ta itu med ett gemensamt problem mer effektivt.

Kvantmetrologi har använts för att förbättra sensorprecisionen på platser som Laser Interferometer Gravitational-Wave Observatory, eller LIGO, vilket har öppnat ett nytt fönster för astronomer. Dock, nästan alla tidigare demonstrationer av kvantmetrologi, inklusive LIGO, bara omfatta en enda sensor.

Ansluta sensornätverk

RF-vågor tas vanligtvis emot av ett nätverk av sensorer, var och en behandlar information individuellt - mer som en grupp oberoende anställda som arbetar med sina arbetsledare. Quntao Zhuang, en biträdande professor i el- och datateknik, tidigare demonstrerat ett teoretiskt ramverk för att öka prestandan genom att kombinera intrasslade sensorer.

Detta nya experiment visade för första gången att ett nätverk av tre sensorer kan intrasslas med varandra, vilket innebär att de alla tar emot informationen från sonder och korrelerar den med varandra samtidigt. Det är mer som om en grupp anställda kunde dela information direkt med sina chefer, och cheferna kunde omedelbart dela den informationen med varandra, gör deras arbetsflöde ultraeffektivt.

"Vanligtvis, i ett komplext system, t.ex. ett trådlöst kommunikationsnätverk eller till och med våra mobiltelefoner – det finns inte bara en enda sensor, men en uppsättning sensorer som arbetar tillsammans för att utföra en uppgift, ", sa Zhang. "Vi har utvecklat en teknik för att trassla in dessa sensorer, snarare än att låta dem arbeta individuellt. De kan använda sin trassel till att 'prata' med varandra under avkänningsperioden, vilket avsevärt kan förbättra avkänningsprestandan."

Medan experimentet bara använde tre sensorer, det öppnar dörren till möjligheten att tillämpa tekniken på nätverk med hundratals sensorer.

"Tänka, till exempel, ett nätverk för biologisk avkänning:Du kan trassla in dessa biosensorer så att de arbetar tillsammans för att identifiera arten av en biologisk molekyl, eller för att detektera neurala aktiviteter mer exakt än en klassisk sensoruppsättning, " sa Zhang. "Verkligen, denna teknik kan tillämpas på alla applikationer som kräver en uppsättning eller nätverk av sensorer."

En potentiell tillämpning är i det intrasslade fotonnätverk som byggs på University of Arizonas campus. I teoriarbete publicerat i Fysisk granskning X under 2019, Zhuang presenterade hur maskininlärningstekniker kan träna sensorer i ett storskaligt intrasslat sensornätverk som det här för att ta extremt exakta mätningar.

"Entanglement tillåter sensorer att mer exakt extrahera funktioner från parametrarna som avkänns, möjliggör bättre prestanda i maskininlärningsuppgifter som sensordataklassificering och huvudkomponentanalys, "Zhuang sa." Vårt tidigare arbete ger en teoretisk utformning av ett intrasslingsförbättrat maskininlärningssystem som överträffar klassiska system. "