【摘 要】
：
光学测量作为灵敏的探测手段已经广泛应用到微弱信号检测的许多领域,测量精度已经达到量子噪声极限的水平。进一步突破标准量子噪声极限,提高物理量的测量精度是量子光学与精密测量物理的重要课题。通过低于阈值的光学参量振荡器(Optical Parametric Oscillator,OPO)产生的真空压缩态光场是一种用于突破标准量子极限测量的重要量子资源。
【机 构】
：
山西大学光电研究所,量子光学与光量子器件国家重点实验室 太原 030006
论文部分内容阅读
光学测量作为灵敏的探测手段已经广泛应用到微弱信号检测的许多领域,测量精度已经达到量子噪声极限的水平。进一步突破标准量子噪声极限,提高物理量的测量精度是量子光学与精密测量物理的重要课题。通过低于阈值的光学参量振荡器(Optical Parametric Oscillator,OPO)产生的真空压缩态光场是一种用于突破标准量子极限测量的重要量子资源。
其他文献
为了阐明长程相互作用复杂系统中速度处处发散处处可积的特性，我们把平均速度对一段时间间隔内的变化率乘以质量定义为有效力。由于一段时间局域内有效力的平均值与时间局域的跨度成反比，当时间局域跨度较大时我们可以定义时间局域内有效力的最大方差与最小方差比为非平衡系数。
我们应用非平衡态势与流的理论研究了简化的果蝇昼夜节律系统的二维Tyson模型的随机动力学性质,研究了分子噪声对果蝇昼夜节律的影响。我们用几率描述相应的网络动力学过程来代替化学反应的确定性方程,通过求解噪声下福克-普朗克方程得到系统的时间演化概率,从而得到非平衡系统的稳态概率分布Pss和能量函数U=-lnPss,并求得简化果蝇昼夜节律系统的能量地貌和几率流J(图1中的白色箭头表示几率流J,黑色箭头表
At this time,explosive synchronization(ES)of networked oscillators is thought of as being rooted in thesetting of specific microscopic correlation features between the natural frequencies of the oscil
Our study evidences that:(1)Domains with large electric dipolar moment play an important role in the rotation of the polar liquid film motor[1].
Energy landscape is an important concept in science,which has been widely used in many areas of physics,chemistry and biology.
Quantum computation,which promises to speed up the solution of a number of mathematical tasks,has attracted tremendous interests.To realize distributed quantum computation collective quantum gate oper
Quantum key distribution(QKD)which is one of the most important topic in quantum information has been well studied and become more and more practical.The theoretical security has been proved based on
电磁诱导透明(Electromagnetically Induced Transparency,简称EIT)是光和原子相互作用中表现出来的一种重要的量子光学效应[1].EIT能够被用于光速减慢,光囚禁与光存储,尤其对于单光子存储有潜在的应用价值[2].目前为止,研究者们已在原子系统[3]、量子点体系[4]和光机系统[5]中观测到了EIT现象.超导量子电路被认为是最有希望实现量子信息处理的人工原子系
量子密钥分发(QKD)使用比特错误率(QBER)来衡量传输过程中窃听者可能获得的信息量，并据此计算安全密钥的成码率。普通量子密钥分发协议在比特错误率高于某错误率上限时系统完全无法获得安全成码，例如BB84协议可以接受最高比特错误率为25％。
大数据时代，机器学习的训练数据的存储量正变得越来越来大，非结构化数据越来越多，数据的维度也越来越高。非结构化数据面向不同领域的数据源，展开后维度差别很大。将非结构化数据转化为半结构化或者结构化数据的过程中，伴随着高维向低维的映射，数据集结构的构建等。高维数据给机器学习带来了很大的挑战，容易造成维度灾难与训练过拟合，并且增大计算时间。