Author Affiliations
Abstract
1 State Key Laboratory for Mesoscopic Physics, Department of Physics, Peking University, Beijing 100871, China
2 Collaborative Innovation Center of Quantum Matter, Beijing 100871, China
Enhancing light–matter interaction in cavity quantum electrodynamics has aroused widespread interests in on-chip quantum information processing. Here, we propose a hybrid nanotoroid–nanowire system to enhance photon–exciton interaction. A nanoscale gap is formed by placing a dielectric nanowire close to a dielectric nanotoroid, where the coupling coefficient between photon and emitter can achieve 5.55 times of that without nanogap. Meanwhile, the cavity loss and spontaneous emission of the emitter will remain at a small value to guarantee the realization of strong coupling. The method might hold promise for the research of nanophotonics, quantum optics, and novel optical devices.
270.5580 Quantum electrodynamics Chinese Optics Letters
2019, 17(3): 032702
1 中北大学软件学院, 山西 太原 030051
2 中国科学院光学天文重点实验室, 北京 100012
数据挖掘被广泛应用于恒星光谱分类。 为了提高传统光谱分类方法性能, 提出熵学习机(Entropy-based Learning Machine, ELM)。 在该方法中, 熵用来刻画分类的不确定性。 为了得到理想的分类结果, 分类的不确定性应最小, 基于此, 可得ELM的最优化问题。 ELM在处理二分类问题和稀有光谱发现等方面具有一定优势。 SDSS中K型、 F型、 G型恒星光谱数据集上的比较实验表明: ELM在进行恒星光谱分类时, 其分类性能优于k近邻(k Nearest Neighbor)和支持向量机(Support Vector Machine)等传统分类方法。
数据挖掘 恒星光谱分类 熵 斯隆数字巡天 Data mining Stellar spectra classification Entropy Sloan digital sky survey (SDSS)
1 中北大学软件学院, 山西 太原 030051
2 中国科学院国家天文台光学天文重点实验室, 北京 100012
3 中国科学院国家天文台, 北京 100012
从海量恒星光谱中发现稀有光谱是天文学研究的重要课题之一。 与一般光谱相比, 稀有光谱数量较少, 因此, 传统分类方法无法正常工作。 究其原因是这些方法不仅在分类决策时并未对稀有光谱予以更多关注, 而且只关注分类的准确率。 鉴于此, 在总结当前分类方法的基础上, 深入分析互信息与决策树之间的关系, 提出基于互信息的代价缺失决策树。 SDSS DR8中K型、F型、G型以及M型恒星光谱上的比较实验表明, 与传统分类方法相比, 所提方法能够较好地完成稀有光谱识别的任务。
不平衡分类 互信息 稀有光谱 决策树 Unbalanced classification Mutual information Rare spectra Decision tree 光谱学与光谱分析
2016, 36(11): 3746
