多模量子存储研究室
Prof. Bao-Sen Shi's Research Group
新闻详情

【科研进展】基于里德堡原子多频率微波的精密探测


中科大在基于里德堡原子多频率微波无线传感方面取得重要进展


       郭光灿院士团队在多频率微波传感上取得新进展。该团队史保森、丁冬生课题组利用人工智能的方法实现了基于里德堡原子多频率微波精密探测,相关成果以“Deep learning enhanced Rydberg multifrequency microwave recognition”为题发表在国际知名学术期刊《Nature communications》上。


       近日国务院发布的《计量发展规划(2021-2035年)》提出在2035年建成以量子计量为核心科技水平一流、符合时代发展需求和国际化发展潮流的国家现代化先进测量体系。由于里德堡原子具有较大的电偶极矩,可以对微弱的电场产生很强的响应,因此作为一个非常有前景的微波测量体系备受人们的青睐,取得了飞速发展。尽管如此,基于里德堡原子微波测量领域还存在很多科学问题亟待解决其中多频率微波接收其中一项难题:这是因为多频率微波在原子中会引起复杂的干涉模式,严重干扰了信号接收与识别。


       微波指波长处于1mm-1m之间的电磁波,其频率范围处于300MHz-300GHz之间,由于其具有更好的定向性以及更高的信息容量,在数据通信、遥感测绘等领域里有至关重要的应用。在军用范围内,微波测量是遥感测绘,全球卫星定位系统,测速测距雷达等领域的技术核心。在民用范围内,微波测量是点对点通信、无线通信以及气象预测等领域的基石。而在宇宙学领域中,微波测量在宇宙观测、深空通信中也具有极其重要的应用。


       由于里德堡原子具有较大的电偶极矩,可以对微弱的电场产生很强的响应,并且里德堡原子接收器的尺寸不受制于微波波长,因此作为一个非常有前景的微波测量体系备受人们得青睐,取得了飞速发展。尽管如此,基于里德堡原子的微波测量领域还存在很多科学问题亟待解决,其中多频率微波接收就是其中一项难题:这是因为多频率微波在原子中会引起复杂的干涉模式,严重干扰了信号接收与识别。


       近年来史保森、丁冬生领导的科研团队利用里德堡原子体系,聚焦量子模拟和量子精密测量科学研究,已取得了重要进展。在本工作中团队基于室温原子体系,利用里德堡原子作为微波天线及调制解调器(如图1所示)通过电磁诱导透明效应成功检测相位调制多频微波场(频分复用的二进制相移键控信号,一种在数字通信中广泛使用信号传输方式,进而将接收到的调制信号通过深度学习神经网络进行分析,实现了多频微波信号的高保真解调,并进一步检验了实验方案针对微波噪声的鲁棒性。


       由于数据为时间序列要求模型具有长期记忆能力,所以实验中使用了长短期记忆层(LSTM layer)搭建神经网络。为进一步提高网络的记忆力,实际使用双向长短期记忆层(Bi-directional LSTM layer) 以及一维卷积层(1-d convolution layer)。在一维卷积层后双向长短期记忆层前依次添加批归一化层(batch normalization layer),激活函数层(ReLU layer),以及一维池化层(1-d max-pooling layer),这个顺序是为了使模型在训练的时候更快收敛。模型最后的全连接层(dense layer)用来将输出调整为合适的维度,如图 1(c-e)所示。


1 (a) 原子能级图。(b) 实验装置图。(c-e) 为神经网络层的示意图。(c) 为一维卷积层 (d) 为双向长短期记忆层 (e) 为全连接层。


       将多频率微波信号相对于一个参考信号的相对相位 (作为标签)以及对应的探测光透射谱作为数据集,数据集被随机打乱后分为训练集,验证集以及测试集,分别用来训练,验证和测试深度学习模型。训练的过程中探测光透射谱和相应的相位一起被输入到模型中以供模型学习。模型预测值与真实值之间的“距离”即损失函数会被计算,将损失函数对每层权重的导数反向传播用于更新每层的权重。验证集被用于判断在训练过程中模型是否发生过拟合现象。当模型的损失曲线收敛后,就可以使用模型去预测,利用测试集进行测试。在测试过程中,只提供探测光透射谱,而不提供相应的相位,通过将模型预测值与真实值比较,即可得出模型在测试集上的性能指标。最终模型可以高效地从输入的透射谱中将相应的信号提取出来。另外,工作中也提供了模型中间层可视化的结果,来增加模型的可解释性。比如将模型对透射谱的不同部位的关注度可视化(图 2 (a)),以及将模型中间结果降维并可视化显示(图 2 (b))。通过这些方法,我们大致了解到神经网络模型是以什么方式看待数据的。

2 可视化结果。(a)为使用Grad-CAM算法得出模型对于透射谱哪些部位比较关注。(b)为使用t-SNE算法,将中间层结果降维可视化显示。


       该工作有效地解码了一个噪声QR码的FDM相移键控信号(如图3所示),准确率高达99.32%。研究成果表明基于深度学习增强里德堡微波接收器允许一次直接解码20路频分复用(FDM)信号,不需要多个带通滤波器和其他复杂电路。这项工作的创新之处在于提出并实现了求解主方程的情况下有效探测多频率微波电场的方案,既利用了里德堡原子的灵敏优势同时也降低了噪声的影响。该工作将原子传感与深度学习有机结合,为精密测量领域与神经网络交叉结合提供了重要参考。此外,该成果还可以应用于同时探测多个目标。


3 为机器学习解码结果。(a-c) 为训练时间不同时,深度学习模型对传输信号的恢复结果。


        该工作得到审稿人的高度评价:“该工作展示的结果对原子分子光物理学领域的其他研究人员非常有用,因为显示了深度学习未来在原子系统量子增强传感中的应用。 (“The results presented here are very useful to other researchers in the field of AMO physics, because they can guide and inform future applications of deep learning to quantum-enhanced sensing with atomic systems.”)


中科院量子信息重点实验室博士研究生刘宗凯为本文的第一作者,丁冬生教授、史保森教授为本文的共同通讯作者。


文章链接:https://www.nature.com/articles/s41467-022-29686-7




分享到: