För att kvantoptisk teknik ska bli mer praktisk, det finns ett behov av storskalig integration av kvantfotoniska kretsar på chips.

Denna integration kräver uppskalning av viktiga byggstenar i dessa kretsar – källor till ljuspartiklar – som produceras av enstaka kvantoptiska emitters.

Purdue Universitys ingenjörer skapade en ny maskininlärningsassisterad metod som kunde göra utvecklingen av kvantfotoniska kretsar effektivare genom att snabbt förvälja dessa fasta kvantemitters.

Verket publiceras i tidskriften Avancerad kvantteknologi .

Forskare runt om i världen har undersökt olika sätt att tillverka identiska kvantkällor genom att "transplantera" nanostrukturer som innehåller enstaka kvantoptiska emitters till konventionella fotoniska chips.

"Med det växande intresset för skalbar realisering och snabb prototypframställning av kvantenheter som använder stora sändarmatriser, hög hastighet, robust förval av lämpliga sändare blir nödvändigt, sa Alexandra Boltasseva, Purdues Ron och Dotty Garvin Tonjes professor i elektro- och datateknik.

Kvantemitter producerar ljus med unika, icke-klassiska egenskaper som kan användas i många kvantinformationsprotokoll.

Utmaningen är att gränssnittet mellan de flesta solid-state kvantemitters med befintliga skalbara fotoniska plattformar kräver komplexa integrationstekniker. Innan du integrerar, ingenjörer måste först identifiera ljusa sändare som producerar enstaka fotoner snabbt, på begäran och med en specifik optisk frekvens.

Emitterförval baserat på "renhet med en foton" - vilket är förmågan att producera endast en foton åt gången - tar vanligtvis flera minuter för varje sändare. Tusentals sändare kan behöva analyseras innan man hittar en högkvalitativ kandidat som lämpar sig för kvantchipsintegration.

För att påskynda screening baserad på renhet med en foton, Purdue-forskare tränade en maskin för att känna igen lovande mönster i singelfotonemission inom en bråkdels sekund.

Enligt forskarna, Att snabbt hitta de renaste enfotonemitterna inom en uppsättning av tusentals skulle vara ett nyckelsteg mot praktisk och skalbar sammansättning av stora kvantfotoniska kretsar.

"Med tanke på en fotonrenhetsstandard som sändare måste uppfylla, vi har lärt en maskin att klassificera enfotonemitters som tillräckligt eller otillräckligt "rena" med 95 % noggrannhet, baserat på minimal data som förvärvats inom bara en sekund, " sa Zhaxylyk Kudyshev, en Purdue postdoktoral forskare.

Forskarna fann att den konventionella mätmetoden för fotonrenhet som användes för samma uppgift tog 100 gånger längre tid att nå samma noggrannhetsnivå.

"Maskininlärningsmetoden är en så mångsidig och effektiv teknik eftersom den kan extrahera informationen från datamängden som anpassningsproceduren vanligtvis ignorerar, sa Boltasseva.

Forskarna tror att deras tillvägagångssätt har potential att dramatiskt föra fram de flesta kvantoptiska mätningar som kan formuleras som binära eller flerklassiga klassificeringsproblem.

"Vår teknik kan till exempel, påskynda superupplösta mikroskopimetoder byggda på högre ordningens korrelationsmätningar som för närvarande är begränsade av långa bildinsamlingstider, " sa Kudyshev.