제1항에 있어서, 상기 학습된 인공 신경망 모델은, 이진 크로스 엔트로피 손실 함수(Binary Cross-Entropy Loss Function)를 사용하여 학습된 것인, 딥러닝 기반 단일 광자 에미터 판별 방법.

적어도 하나의 전자 장치에 의해 수행되는 방법에 있어서, 단일 광자 점광원 이미지에 기초한 입력 데이터를 획득하는 동작;상기 입력 데이터를 학습된 인공 신경망 모델에 입력하여 판별 정보 예측값을 생성하는 동작; 및 상기 판별 정보 예측값을 기초로 하여 단일 광자 에미터(single-photon emitter) 및 비단일 광자 에미터(non single-photon emitter)로 판별하는 동작;을 포함하는, 딥러닝 기반 단일 광자 에미터 판별 방법.

제1항에 있어서, 상기 단일 광자 점광원 이미지는 공초점 형광 현미경(Confocal fluorescence microscopy), 주사 터널링 현미경(STM, Scanning tunneling microscopy), 또는 나노 규모 자기 공명 영상 장치(nano-MRI, nanoscale-magnetic resonance imaging)를 사용하여 획득한 이미지를 포함하는, 딥러닝 기반 단일 광자 에미터 판별방법.

제1항에 있어서, 상기 단일 광자 점광원은,고립된 단일 원자 (isolated single atom), 단일 분자 (single molecule), 단일 염료 분자 (single dye molecule), 및 고체 점결함(point defects in solids)중 적어도 1종 이상을 포함하는, 딥러닝 기반 단일 광자 에미터 판별 방법.

제1항에 있어서, 상기 입력 데이터는, 하나의 단일 광자 점광원 클러스터를 포함하는 대면적 이미지에서 설정된 영역 내의 설정된 기준의 광자계수율을 가지는 소면적에 대한 이미지에 기초하여 생성된, 딥러닝 기반의 단일 광자 에미터 판별 방법.

제1항에 있어서, 상기 인공 신경망 모델을 학습하는 동작을 더 포함하고, 상기 인공 신경망 모델을 학습하는 동작은,상기 단일 광자 점광원 이미지를 기초로 하는 이미지 학습 데이터를 구축하는 동작을 포함하는, 딥러닝 기반 단일 광자 에미터 판별 방법.

제5항에 있어서,상기 인공 신경망 모델을 학습하는 동작은, 상기 대상 표본에 조사한 레이저 파워를 기초로 하는 레이저 파워 학습 데이터를 구축하는 동작을 더 포함하는, 딥러닝 기반 단일 광자 에미터 판별 방법.

제5항에 있어서, 상기 이미지 학습 데이터를 구축하는 동작은, 하나의 단일 광자 점광원 클러스터를 포함하는 대면적 이미지에서 설정된 영역 내의 설정된 기준의 광자계수율을 가지는 소면적에 대한 이미지를 생성하는 동작;생성된 이미지에서 에미터 이외의 노이즈를 제거하는 동작; 단일 광자 에미터 및 비단일 광자 에미터 여부를 판별하여 표지하는 동작; 및 정규분포 값으로 정규화하는 동작;을 포함하는, 딥러닝 기반 단일 광자 에미터 판별 방법.

제7항에 있어서, 상기 생성된 이미지는, 개별 에미터에 초점을 맞춘 이미지를 포함하고, 상기 개별 에미터에 초점을 맞춘 이미지는, 상기 하나의 단일 광자 점광원 클러스터 내의 개별 에미터에 대한 래스터 스캔 이미지에서, 개별 에미터의 광자 계수율의 극대값(local maximum)에 해당하는 픽셀을 기준으로 다시 래스터 스캔한 소면적에 대한 이미지인, 딥러닝 기반 단일 광자 에미터 판별 방법.

제1항에 있어서, 상기 학습된 인공 신경망 모델은, CNN 기반의 딥러닝 모델을 포함하는, 딥러닝 기반 단일 광자 에미터 판별 방법.

제1항에 있어서,상기 학습된 인공 신경망 모델은, 컨벌루셔널 레이어(Convolutional layer), 풀링 레이어(Pooling layer), 및 완전 연결 레이어(Fully-connected layer)를 포함하는, 딥러닝 기반 단일 광자 에미터 판별 방법.

제1항에 있어서, 상기 학습된 인공 신경망 모델은, 상기 입력 데이터와 상기 대상 표본에 조사한 레이저 파워의 상관 관계에 따라 구분되는 제1학습모델 및 제2학습모델을 포함하는, 딥러닝 기반 단일 광자 에미터 판별 방법.

제1항에 있어서, 상기 학습된 인공 신경망 모델은, K-폴드 교차 검증(K-fold cross validation)을 이용하여 상기 판별 정보 예측값들의 적합 여부가 판단되고, k는 3 이상의 자연수이며,상기 K-폴드 교차 검증은학습 데이터를 k-폴드로 무작위적으로 분류하고,k-1개의 폴드를 훈련 세트(training set)로, 나머지 1개의 폴드를 테스트 세트(testing set)로 사용하여 수행되는, 딥러닝 기반 단일 광자 에미터 판별 방법.

딥러닝 기반 단일 광자 에미터를 판별하는 전자 장치로서, 적어도 하나 이상의 메모리; 및적어도 하나 이상의 프로세서;를 포함하고, 상기 프로세서는, 단일 광자 점광원 이미지에 기초한 입력 데이터를 획득하고,상기 입력 데이터를 학습된 인공 신경망 모델에 입력하여 판별 정보 예측값을 생성하고,상기 판별 정보 예측값을 기초로 하여 단일 광자 에미터(single-photon emitter) 및 비단일 광자 에미터(non single-photon emitter)로 판별하는, 전자 장치.

저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 적어도 하나 이상의 프로세서에서 실행되는 경우, 딥러닝 기반 단일 광자 에미터를 판별하기 위한 동작들을 수행하도록 하며, 단일 광자 점광원 이미지에 기초한 입력 데이터를 획득하는 동작;상기 입력 데이터를 학습된 인공 신경망 모델에 입력하여 판별 정보 예측값을 생성하는 동작; 및 상기 판별 정보 예측값을 기초로 하여 단일 광자 에미터(single-photon emitter) 및 비단일 광자 에미터(non single-photon emitter)로 판별하는 동작;을 포함하는, 저장 매체에 저장된 컴퓨터 프로그램.