深度學習增強里德堡多頻微波識別
圖為機器學習解碼結果。(a-c)為訓練時間不同時，深度學習模型對傳輸信號的恢復結果 中國科大供圖里德堡原子具有較大的電偶極矩，可以對微弱的電場產生很強的響應，因此作為一個非常有前景的微波測量體系，備受人們青睞。但基于里德堡原子的微波測量領域還存在很多科學問題亟待解決，多頻率微波接收就是其中一項難題：這是因為多頻率微波在原子中會引起復雜的干涉模式，嚴重干擾了信號接收與識別。近年來，史保森、丁冬生團隊利用里德堡原子體系，聚焦量子模擬和量子精密測量科學研究，取得了重要進展。在此次研究中，團隊基于室溫銣原子體系，利用里德堡原子作為微波天線及調制解調器，通過電磁誘導透明效應成功檢測了相位調制的多頻微波場（頻分復用的二進制相移鍵控信號，一種在數字通信中廣泛使用信號傳輸方式），進而將接收到的調制信號通過深度學習神經網絡進行分析，實現了多頻微波信號的高保真解調，并進一步檢驗了實驗方案針對微波噪聲的高魯棒性。該工作有效地解碼了一個含噪......閱讀全文
深度學習增強里德堡多頻微波識別
?圖為機器學習解碼結果。(a-c)為訓練時間不同時，深度學習模型對傳輸信號的恢復結果 中國科大供圖里德堡原子具有較大的電偶極矩，可以對微弱的電場產生很強的響應，因此作為一個非常有前景的微波測量體系，備受人們青睞。但基于里德堡原子的微波測量領域還存在很多科學問題亟待解決，多頻率微波接收就是其中一項難題
科學家首次實現基于里德堡原子臨界增強的敏微波傳感
日前，中國科學技術大學郭光燦院士團隊在基于相變的精密測量上取得新進展。團隊史保森教授、丁冬生教授課題組與丹麥奧爾胡斯大學Klaus?M?lmer教授和英國杜倫大學Charles?S.?Adams教授合作，利用強關聯系統的相變提高了里德堡原子對微波電場測量的精度和靈敏度，靈敏度可達49納伏每厘米每根號
基于里德堡原子的微波電場精密測量
山西大學激光光譜研究所賈鎖堂教授研究團隊在國際上首次實現里德堡原子微波超外差接收機，極大提升了微波電場場強的探測靈敏度，提出基于可控原子體系的微波超外差測量新原理和新技術從根本上避免了經典微波測量方法中自由電子隨機熱噪聲的影響。值得注意的是，山西大學科研成果入選“中國高等學校十大科技進展”是
里德堡原子微波頻率梳譜儀研制成功
中國科學技術大學郭光燦院士團隊史保森、丁冬生課題組實現了一種基于里德堡原子的微波頻率梳譜儀，該儀器在寬帶微波探測領域具有應用前景。相關成果日前發表于《應用物理評論》。 微波測量在通信、導航、雷達以及天文探測領域有重要作用。里德堡原子具有較大電偶極矩，可以對微弱電場產生很強的響應，因此可以用它作
中國科大實現基于里德堡超原子的多光子糾纏
近日，中國科學技術大學潘建偉、包小輝等，將里德堡相互作用與高效單光子接口技術相結合，首次成功制備基于里德堡超原子的多光子糾纏，為單向量子中繼等應用奠定基礎。相關研究成果于8月11日發表在《自然·光子學》上。 多光子糾纏在量子計算、量子通信以及量子精密測量中有重要應用。以往多光子糾纏的主要制備方式
多光子共振激發 誘導里德堡態的普適機制
里德堡態是指原子或分子中某個電子被激發到高能量軌道的一種狀態。科學家們研究發現，里德堡態原子或分子具有一些獨特性質：它們對于磁場或碰撞等外界影響極端敏感，很容易與微波輻射發生作用，因此在光學物理等領域各種實驗中都會涉及到它。 近期，華東師范大學精密光譜科學與技術國家重點實驗室吳健教授團隊在超
中國科大實現基于里德堡超原子的多光子糾纏
近日，中國科學技術大學潘建偉、包小輝等，將里德堡相互作用與高效單光子接口技術相結合，首次成功制備基于里德堡超原子的多光子糾纏，為單向量子中繼等應用奠定基礎。相關研究成果于8月11日發表在《自然·光子學》上。 多光子糾纏在量子計算、量子通信以及量子精密測量中有重要應用。以往多光子糾纏的主要制備方
郭光燦院士團隊：里德堡原子微波頻率梳譜儀研制成功
中國科學技術大學郭光燦院士團隊在基于里德堡原子的無線傳感上取得新進展。團隊史保森、丁冬生課題組實現一種基于里德堡原子的微波頻率梳譜儀，在寬帶微波的探測領域具有應用前景。相關成果日前發表于《應用物理評論》。 微波測量在通信、導航、雷達、以及天文探測領域發揮重要作用。里德堡原子具有較大電偶極矩，可
深度學習增強型智能鏡可指導健身
意大利布雷西亞大學的研究人員最近開發了一種用于智能鏡子的計算機視覺系統，可以提高家庭和健身房環境中健身訓練的效率。在國際體育生物力學學會會議上公布的一篇論文中介紹了這一系統，該系統基于一種深度學習算法，經過訓練可以識別健身視頻中記錄的人體姿勢。 這款低成本計算機視覺系統利用骨架化算法，在帶
深度學習可識別顯微照片中的細菌
美國華盛頓大學研究人員開發出一種深度學習軟件Omnipose，其能幫助解決在顯微鏡圖像中識別各種微小細菌的挑戰。研究結果發表在17日的《自然·方法學》雜志上。 研究人員發現，在大型細菌圖像數據庫上訓練的Omnipose在表征和量化混合微生物培養物中的無數細菌方面表現良好，并消除了其前身可能出現的