Deep learning-based variational autoencoder for classification of quantum and classical states of light

光学量子技术的进展得益于对光的产生、操作和特征化，其中特征鉴定基于光子统计。然而，通过单光子测量来表征光及其源通常需要高效探测器和较长的测量时间以获得高质量的光子统计。本文介绍了一种基于深度学习的变分自编码器（VAE）方法，用于分类光的单光子加性相干态（SPACS）、单光子加性热态（SPATS）以及相干/SPACS和热/SPATS之间的混合态。我们的半监督学习VAE有效地将光的光子统计特征映射到较低的维度，实现了低平均光子计数的准即时分类。所提出的VAE方法具有鲁棒性，并在实验中存在的损耗（如有限的收集效率、非单位量子效率、有限数量的探测器等）的情况下保持分类精度。此外，利用VAE的迁移学习能力，可以使用单个训练模型成功分类任何质量的数据。我们预计，这种深度学习方法将使即使在探测质量较差的情况下，也能更好地分类量子光和光源。

本论文旨在通过引入基于深度学习的变分自编码器（VAE）方法，实现对单光子统计特征的分类，以便更好地对量子光和光源进行分类。

本论文的关键思路是使用深度学习的VAE方法将光的光子统计特征映射到较低维度，从而实现低平均光子计数下的准即时分类，并在实验中保持分类准确性。

本论文的亮点在于使用VAE方法实现对单光子统计特征的快速分类，并且该方法具有鲁棒性，能够在实验中处理损失等问题。此外，VAE方法还具有迁移学习的能力，可以成功地对任何质量的数据进行分类。本文使用了SPACS和SPATS数据集，并开源了代码。

最近在这个领域中，还有一些相关的研究，例如“Quantum state tomography via unsupervised machine learning”和“Machine learning for continuous-variable quantum systems”。