深度学习增强里德堡多频微波识别
图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 中国科大供图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，备受人们青睐。但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，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，取得了重要进展。在此次研究中，团队基于室温铷原子体系，利用里德堡原子作为微波天线及调制解调器，通过电磁诱导透明效应成功检测了相位调制的多频微波场（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高鲁棒性。该工作有效地解码了一个含噪......阅读全文
深度学习增强里德堡多频微波识别
图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 中国科大供图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，备受人们青睐。但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，多频率微波接收就是其中一项难题
科学家首次实现基于里德堡原子临界增强的敏微波传感
日前，中国科学技术大学郭光灿院士团队在基于相变的精密测量上取得新进展。团队史保森教授、丁冬生教授课题组与丹麦奥尔胡斯大学Klaus Mølmer教授和英国杜伦大学Charles S. Adams教授合作，利用强关联系统的相变提高了里德堡原子对微波电场测量的精度和灵敏度，灵敏度可达49纳伏每厘米每根号
基于里德堡原子的微波电场精密测量
山西大学激光光谱研究所贾锁堂教授研究团队在国际上首次实现里德堡原子微波超外差接收机，极大提升了微波电场场强的探测灵敏度，提出基于可控原子体系的微波超外差测量新原理和新技术从根本上避免了经典微波测量方法中自由电子随机热噪声的影响。值得注意的是，山西大学科研成果入选“中国高等学校十大科技进展”是
里德堡原子微波频率梳谱仪研制成功
中国科学技术大学郭光灿院士团队史保森、丁冬生课题组实现了一种基于里德堡原子的微波频率梳谱仪，该仪器在宽带微波探测领域具有应用前景。相关成果日前发表于《应用物理评论》。 微波测量在通信、导航、雷达以及天文探测领域有重要作用。里德堡原子具有较大电偶极矩，可以对微弱电场产生很强的响应，因此可以用它作
中国科大实现基于里德堡超原子的多光子纠缠
近日，中国科学技术大学潘建伟、包小辉等，将里德堡相互作用与高效单光子接口技术相结合，首次成功制备基于里德堡超原子的多光子纠缠，为单向量子中继等应用奠定基础。相关研究成果于8月11日发表在《自然·光子学》上。 多光子纠缠在量子计算、量子通信以及量子精密测量中有重要应用。以往多光子纠缠的主要制备方式
多光子共振激发 诱导里德堡态的普适机制
里德堡态是指原子或分子中某个电子被激发到高能量轨道的一种状态。科学家们研究发现，里德堡态原子或分子具有一些独特性质：它们对于磁场或碰撞等外界影响极端敏感，很容易与微波辐射发生作用，因此在光学物理等领域各种实验中都会涉及到它。 近期，华东师范大学精密光谱科学与技术国家重点实验室吴健教授团队在超
中国科大实现基于里德堡超原子的多光子纠缠
近日，中国科学技术大学潘建伟、包小辉等，将里德堡相互作用与高效单光子接口技术相结合，首次成功制备基于里德堡超原子的多光子纠缠，为单向量子中继等应用奠定基础。相关研究成果于8月11日发表在《自然·光子学》上。 多光子纠缠在量子计算、量子通信以及量子精密测量中有重要应用。以往多光子纠缠的主要制备方
郭光灿院士团队：里德堡原子微波频率梳谱仪研制成功
中国科学技术大学郭光灿院士团队在基于里德堡原子的无线传感上取得新进展。团队史保森、丁冬生课题组实现一种基于里德堡原子的微波频率梳谱仪，在宽带微波的探测领域具有应用前景。相关成果日前发表于《应用物理评论》。 微波测量在通信、导航、雷达、以及天文探测领域发挥重要作用。里德堡原子具有较大电偶极矩，可
深度学习增强型智能镜可指导健身
意大利布雷西亚大学的研究人员最近开发了一种用于智能镜子的计算机视觉系统，可以提高家庭和健身房环境中健身训练的效率。在国际体育生物力学学会会议上公布的一篇论文中介绍了这一系统，该系统基于一种深度学习算法，经过训练可以识别健身视频中记录的人体姿势。 这款低成本计算机视觉系统利用骨架化算法，在带
深度学习可识别显微照片中的细菌
美国华盛顿大学研究人员开发出一种深度学习软件Omnipose，其能帮助解决在显微镜图像中识别各种微小细菌的挑战。研究结果发表在17日的《自然·方法学》杂志上。 研究人员发现，在大型细菌图像数据库上训练的Omnipose在表征和量化混合微生物培养物中的无数细菌方面表现良好，并消除了其前身可能出现的