【摘 要】
：
本文探究了单腔和双腔光机械装置的动力学相变和选择性能量交换.发现系统会经历类似于Dicke-Hepp-Lieb超辐射型的动力学相变,且两光场间的正交动量耦合出现一个新的动力学临界点.两光场间的正交动量耦合等价于单(双)模光机械系统的外场驱动.通过耦合参数的调控,系统可以实现任意两模间的选择性能量交换,且临界耦合点与选择性能量交换对应.模压缩是能量转换的标志,且任何两模的正交压缩由特定玻色模间的能量交换决定.
【基金项目】
：
国家自然科学基金(批准号:11772177,12047571),山西省高等学校科技创新项目(批准号:2019L0069)资助的课题.
论文部分内容阅读
本文探究了单腔和双腔光机械装置的动力学相变和选择性能量交换.发现系统会经历类似于Dicke-Hepp-Lieb超辐射型的动力学相变,且两光场间的正交动量耦合出现一个新的动力学临界点.两光场间的正交动量耦合等价于单(双)模光机械系统的外场驱动.通过耦合参数的调控,系统可以实现任意两模间的选择性能量交换,且临界耦合点与选择性能量交换对应.模压缩是能量转换的标志,且任何两模的正交压缩由特定玻色模间的能量交换决定.
其他文献
大多数光学加密系统都是对称加密系统,在光学图像加密中明文和密文之间具有线性关系,其系统的安全性有待加强.而基于相位截断傅里叶变换(phase-truncated Fourier transform, PTFT)的非对称加密系统,其非线性的相位截断操作使加密系统的安全性得到了极大提升.本文提出使用深度学习方法攻击PTFT加密系统,通过PTFT加密系统构造出明密文对图像数据集,然后将其输入残差网络(r
根据经典文献综述了从发现阴极射线到确定是电子这段过程,介绍了莱纳德、佩林特别是汤姆孙的实验,以及如何认定阴极射线就是电子流的物理学史料.
经典计算机的运算能力依赖于芯片单位面积上晶体管的数量,其发展符合摩尔定律.未来随着晶体管的间距接近工艺制造的物理极限,经典计算机的运算能力将面临发展瓶颈.另一方面,机器学习的发展对计算机的运算能力的需求却快速增长,计算机的运算能力和需求之间的矛盾日益突出.量子计算作为一种新的计算模式,比起经典计算,在一些特定算法上有着指数加速的能力,有望给机器学习提供足够的计算能力.用量子计算来处理机器学习任务时,首要的一个基本问题就是如何将经典数据有效地在量子体系中表示出来.这个问题称为态制备问题.本文回顾态制备的相关
近年来,很多基于生成模型的机器学习算法,如生成对抗网络、玻尔兹曼机、自编码器等,在数据生成、概率模拟等方面有广泛的应用.另一方面,融合量子计算和经典机器学习的量子机器学习算法也不断被提出.特别地,量子生成模型作为量子机器学习的分支,目前已有很多进展.量子生成算法是一类量子-经典混合算法,算法中引入参数量子线路,通过执行参数线路得到损失函数及其梯度,然后通过经典的优化算法来优化求解,从而完成对应的生成任务.与经典生成模型相比,量子生成模型通过参数线路将数据流映射到高维希尔伯特空间,在高维空间中学习数据的特征
层流气体雾化制备的金属粉末具有粒径较小且粒度分布窄的优点,目前对层流气体雾化的研究主要集中在工艺参数对雾化效果和粉末特性的影响,其雾化机理仍不完全清楚.本文通过数值模拟和实验分析,系统地研究了层流气体雾化过程中的雾化气体流场、一次雾化和二次雾化机理以及最终的粉末颗粒形态.采用标准k-e湍流模型,研究了基于De Laval喷嘴的层流雾化单相气体流场,流场呈“项链”状结构,并伴有斜激波的膨胀波团.采用耦合水平集-体积分数法研究了一次雾化和二次雾化机理,并通过雾化实验得到了凝固碎片和粉末,验证了该模型的有效性,
量子计算在近十年取得了长足的进展.随着量子调控技术达到前所未有的高度,包括超导量子比特、光量子器件、原子系综等在内的量子实验平台都进入到了崭新的时代.目前在特定计算任务上超越经典的量子计算优势也已经被报道.其中一种可以有效运用可控量子器件的计算方案是采用绝热量子计算.绝热量子计算中算法的选择与研究至关重要,其将直接决定量子计算优势是否能够最大限度地被挖掘.本综述主要介绍近期机器学习在绝热量子算法设计方面的应用,并讲述该计算架构在3-SAT和Grover搜索等问题上的应用.通过与未经机器学习优化设计的绝热量
噪声是影响弱信号检测器件性能指标的主要因素之一,而最优滤波算法是白噪声背景中自适应提取弱有用信号的一种常见处理方法.本文针对极低温环境下微波动态电感探测器(microwave kinetic inductance detector,MKID)光子弱信号响应的噪声特性,在改进噪声模型的基础上利用最优滤波算法改进了探测信号的噪声处理.结果表明,经过改进噪声模型的算法处理,MKID的能量分辨(单光子探测器的主要性能指标之一)得到了15%左右的提升,实现了0.26 eV的红外单光子能量分辨.
物理学在机器学习中的应用以及两者的交叉融合正引起广泛关注,尤其是在波动系统和扩散系统中.本文重点关注波动与扩散物理系统和机器学习之间的内在联系以及对机器学习算法和物理实现的推进作用,综述了波动系统和扩散系统中的机器学习研究,介绍了部分最新研究成果.文中首先讨论了监督学习的波动系统实现,包括神经网络的波动光学实现、量子搜索的波动实现、基于波动系统的递归神经网络以及神经形态的非线性波动计算.接着,文中继续讨论了受扩散系统启发的机器学习算法,如基于扩散动力学的分类算法,基于热扩散的数据挖掘和信息过滤,以及基于群
量子卫星通信是通信领域的研究热点和前沿,具有理想的信息安全性和覆盖面广的优势,对于构建全球范围的量子卫星广域网具有重要意义,而远距离传输信息时网络的可靠性、安全性和路由中继等问题仍需改进.为了构建性能良好的量子卫星广域网,本文提出利用蜘蛛网作为一种独特的自然通信拓扑结构,将自然界蛛网演进为人工蛛网拓扑,量子信息的传输采用N阶量子隐形传态路由方案,其传输时延基本不变,在此基础上构建蛛网网络拓扑量子广域网传输模型,并对构建的网络模型的误码率、吞吐率、安全密钥生成率进行仿真分析.用抗毁度作为衡量网络拓扑结构可靠
机器学习因其在模式识别等问题上的优势已经被广泛应用到各个研究领域,然而其运算能力在一定程度上受到经典计算机算力的制约.近年来,随着量子技术的高速发展,量子计算加速的机器学习在诸多量子体系中进行了初步实验验证,并在某些特定问题上展示出了超越经典算法的优势.本文主要介绍两类典型的自旋体系-核磁共振体系和金刚石氮空位色心体系,并回顾近年来量子机器学习在这两类体系上的一些代表性实验工作.