Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Updated: Jul 2, 2025

Silicon Metal-oxide-semiconductor Quantum Dots for Single-electron Pumping
14:58

Silicon Metal-oxide-semiconductor Quantum Dots for Single-electron Pumping

Published on: June 3, 2015

14.7K

机器学习增强了对半导体量子点的评估.

Emilio Corcione1,2, Fabian Jakob3,4,5, Lukas Wagner6,4,7

  • 1Institute for System Dynamics, University of Stuttgart, Stuttgart, Germany. emilio.corcione@isys.uni-stuttgart.de.

Scientific reports
|February 20, 2024
PubMed
概括

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

A pH-Tolerant Nickel-Vanadium Phosphonate Framework for Stable Aqueous Supercapacitor Cycling.

ACS nano·2026
Same author

Multidimensional crisis in the conservation of Amu Darya false shovelnose sturgeons.

npj biodiversity·2026
Same author

Asymmetric two-photon response of an incoherently driven quantum emitter.

Nature communications·2026
Same author

A quantum-coherent photon-emitter interface in the original telecom band.

Nature nanotechnology·2026
Same author

Safety and feasibility of deep sedation and general anaesthesia for cardiovascular MRI studies in paediatric patients from two tertiary European centres.

Cardiology in the young·2026
Same author

Publisher Correction: Reproducibility and robustness of economics and political science research.

Nature·2026

本研究介绍了一种机器学习方法,用于自动评估半导体量子点,用于单光子生成. 这种方法通过分析它们的辐射光谱来加快量子技术的量子点的选择.

科学领域:

  • 量子光子学 量子光子学
  • 材料科学 材料科学 材料科学
  • 人工智能的人工智能

背景情况:

  • 单个光子和纠对的高效生成对量子光子学至关重要.
  • 半导体量子点 (QD) 是有前途的发射器,但由于随机增长,在可扩展的按需生产方面面临挑战.
  • 根据光谱特性评估QD适用于特定应用的适度,目前是一个手动,耗时的过程.

研究的目的:

  • 开发一种自动化,数据驱动的机器学习 (ML) 方法来评估半导体量子点作为单个光子源的适用性.
  • 通过分析它们的辐射光谱来加快前期选择有前途的量子点.

主要方法:

  • 一种新的ML方法,将光谱分析与自编码卷积神经网络 (CNN) 结合起来,以获得QD发射光谱的简洁特征表示.
  • 使用神经网络回归模型,将特征向量作为输入来预测适应性得分和信心度量.
  • 训练和测试模型在大量自组装的InAs/GaAs QD排放光谱的数据集上,部分由专家标记.

主要成果:

  • ML方法可靠且准确地评估量子点的适用性.
  • 衍生的特征表示是最小的冗余,但对光谱分析具有最大的相关性.
  • 该模型为每个量子点评估提供了技术适用性得分和信心水平.
关键词:
卷积式自动编码器 卷积式自动编码器基于机器学习的评估.神经网络回归的回归量子技术是一种量子技术.一个半导体量子点半导体量子点.单个光子源是一个光子源.

更多相关视频

Correlative Light- and Electron Microscopy Using Quantum Dot Nanoparticles
11:16

Correlative Light- and Electron Microscopy Using Quantum Dot Nanoparticles

Published on: August 7, 2016

9.7K
Author Spotlight: High-Quality Quantum Dot Nanobeads for Sensitive Fluorescent Lateral Flow Immunoassays
07:13

Author Spotlight: High-Quality Quantum Dot Nanobeads for Sensitive Fluorescent Lateral Flow Immunoassays

Published on: June 28, 2024

1.2K

相关实验视频

Last Updated: Jul 2, 2025

Silicon Metal-oxide-semiconductor Quantum Dots for Single-electron Pumping
14:58

Silicon Metal-oxide-semiconductor Quantum Dots for Single-electron Pumping

Published on: June 3, 2015

14.7K
Correlative Light- and Electron Microscopy Using Quantum Dot Nanoparticles
11:16

Correlative Light- and Electron Microscopy Using Quantum Dot Nanoparticles

Published on: August 7, 2016

9.7K
Author Spotlight: High-Quality Quantum Dot Nanobeads for Sensitive Fluorescent Lateral Flow Immunoassays
07:13

Author Spotlight: High-Quality Quantum Dot Nanobeads for Sensitive Fluorescent Lateral Flow Immunoassays

Published on: June 28, 2024

1.2K

结论:

  • 拟议的ML方法比手工评估提供了显著的进步,自动化和加快了量子点的选择.
  • 这种方法可以适应不同的光谱要求,并且独立于特定的光子结构,制造方法或材料组成.
  • 这项工作是朝着量子点的综合评估框架迈出的重要一步,突出了ML在推进量子技术中的价值.