양자 정보 기술이 빠르게 발전하는 가운데, 단일광자 발광체의 정확하고 효율적인 분류는 무엇보다 중요하다. 광자 통계의 2차 상관 함수(2nd-order correlation function)를 획득하기 위해 시간 소요가 큰 Hanbury Brown–Twiss(HBT) 실험을 수행하는 전통적 방법은 효율적이지 않다. 본 연구는 공초점 형광 현미경 이미지에서 단일광자 발광체를 분류하기 위해 심층 합성곱 신경망(Deep Convolutional Neural Networks, CNNs)을 활용하는 선도적 해결책을 제시함으로써, 노동 집약적인 HBT 실험의 필요성을 우회한다. 다이아몬드의 질소-공위(nitrogen-vacancy, NV) 센터에 초점을 맞추어, 이 모델은 과거에 HBT 실험을 통해 분류된 발광체의 형광 이미지를 사용하여 학습된다. 분류되지 않은 형광 이미지에 적용한 결과, 해당 모델은 분류에서 최대 98%의 정확도를 달성하여 식별 과정을 실질적으로 가속한다. 이러한 성과는 분류 워크플로우를 보다 효율적으로 만들 뿐 아니라, 격리 확인을 위해 이미징이 필요한 다양한 색 중심(color centers) 및 고립 원자 시스템 전반으로의 적용 가능성을 더욱 넓힐 것으로 기대된다. 본 연구는 단일광자 발광체의 활용을 최적화하기 위해 딥러닝의 힘을 활용함으로써 양자 기술의 적용에 있어서 상당한 진전을 의미한다.

실리콘 카바이드(silicon carbide) 내 실리콘 빈자리(silicon vacancy)는 광자(qubit) 큐빗과 효과적으로 인터페이스할 수 있는 장수명 스핀 큐빗을 통해, 산업 친화적인 플랫폼에 내장된 유망한 양자 시스템으로 부상하고 있다. 그러나 3/2라는 독특한 스핀 양자수는 광학적 초기화로 준비되는 기저 상태 스핀 부수준들에 대한 통계적 혼합을 유발하여, 고충실도 스핀-광자 인터페이스로의 성공적인 적용을 저해한다. 최근의 실험적 돌파구는 전자 스핀 공명(electron spin resonance)을 이용하여 선택된 스핀 부수준들을 동시에 광학적으로 초기화하고 소모(depletion)함으로써 순수 상태(pure-state) 준비를 달성함으로써 이 문제에 대한 해결책을 제시하였다. 그럼에도 불구하고 이 과정의 근본 메커니즘은 아직 충분히 이해되지 않았으며, 결정적(deterministic) 초기화를 달성하기 위한 효율적인 방법은 아직 탐구되지 않았다. 본 연구에서는 완전한 속도(rate) 모델을 수립함으로써 선택적 초기화 과정을 포괄적으로 조사한다. 우리는 근본 메커니즘에 대한 상세한 설명을 제공하고, 사용된 실험 파라미터에 의해 강하게 좌우되는 초기화 충실도와 효율성 간의 트레이드오프를 규명한다. 다양한 범위의 실험 파라미터를 철저히 탐색한 결과, 99%를 초과하는 순수 상태 초기화 충실도를 가능하게 하는 최적의 초기화 과정을 찾아낸다. 본 연구는 실리콘 카바이드 내 실리콘 빈자리를 기반으로 하는 양자 반복기(quantum repeater)와 같은 고충실도 스핀-광자 인터페이스 응용을 달성하는 데 유용한 통찰을 제공한다.