使用机器学习识别泄漏光子网格的拓

科学领域:

• 拓性光子学是一个专业的专业.
• 凝聚物质物理学 凝聚物质物理学
• 机器学习应用程序 机器学习应用程序

背景情况:

• 光子系统中的拓相具有独特的特性,但很难分类.
• 现有的方法往往需要复杂的测量和数据处理.

研究的目的:

• 开发一种简化的机器学习方法,用于对光子网格中的拓相进行分类.
• 利用有限的测量数据,特别是单次强度图像,用于精确的拓相位测定.

主要方法:

• 一个完全连接的神经网络被设计和训练.
• 该网络分析了来自泄漏的光子网格的单个实时空间批量强度图像.
• 该方法模拟了现实的实验条件,具有局部激发和有限的传播距离.

主要成果:

• 神经网络准确地对拓性质进行分类.
• 该方法成功地识别了带有漏洞通道的二度波导阵列中的拓相.
• 这种方法即使在有限的测量数据下也是可靠的.

结论:

• 机器学习,特别是神经网络,为光子学中的拓阶段分类提供了有效的工具.
• 拟议的单图像强度分析方法简化了实验程序,使得拓相位表征更容易获得.
• 这种技术有望促进拓光子学和相关实验领域的研究.