作为量子技术中的信息载体, 量子比特被广泛应用于量子计算、量子模拟以及量子精密测量等研究领域。然而由于环境中如噪声等因素的存在, 量子比特的信息表征会受到一定限制。如何精确地解析出环境中作用于量子比特的噪声谱信息, 成了量子比特动力学解耦工作中亟待解决的问题。基于近似解析的传统方法无法精确地从量子比特的时域测量信息中解析出噪声谱。因此, 在本文中, 我们提出了一种基于深度学习的量子比特噪声谱解析方法。该方法通过不断学习, 能够获取量子比特的退相干曲线与其噪声谱之间的潜在映射关系, 为后续数值模拟和实验测量中的量子比特噪声谱解析提供了新的技术思路。相比于传统方法, 该方法的精确度更高, 并且可以推广到其他类型噪声谱的解析工作中。

在基于NV量子信息实验台上,我们需要对金刚石NV色心施加特定序列的微波射频脉冲信号。为了将特定序列的微波射频脉冲信号作用在样品上,我们利用具有损耗低、无截止频率等特点的槽线设计了一种新型平面电路辐射结构,能够将经过调制的微波射频脉冲信号转化为交变微波场,并作用在金刚石NV色心上,进而实现量子态调控。本设计基于的原理是利用传统槽线作为主传输线,T型槽线作为功分结构,Ω型圆环作为辐射结构,将主传输线中的一部分功率流馈入Ω型圆环内,辐射出较强的微波场。对比传统的光刻微纳工艺方法,本设计利用激光刻蚀及电化学镀铜工艺方法实现了辐射结构的低成本制作。通过网络分析仪等仪器设备测试后,该辐射结构目前已应用到基于NV量子信息实验台中,在高频28 GHz和低频71 MHz工作频率附近分别取得了约448 Gauss和4849 Gauss大小的交变磁场。

在世界范围内溢油事件频繁发生, 溢油的组成成分会影响人类身体健康和生态系统。 因此, 迫切地需要一种可以快速识别溢油种类的方法。 针对溢油污染物现场快速鉴别的需求, 利用平行因子分析技术建立了基于三维荧光光谱的原油、 燃料油识别方法。 首先, 利用Delannay三角形内插值法对实验选的6种原油(Roncador原油、 巴士拉原油、 俄罗斯原油、 沙特原油(重质)、 上扎库姆原油、 海二站原油)和三种燃料油(380CST燃料油、 5-7号燃料油、 岚山燃料油)的三维荧光光谱去散射, 去散射后的三维光谱数据进行归一化处理; 之后, 对三维荧光光谱进行平行因子解析, 确定七个荧光组分为最佳荧光组分, 进而得到由7个荧光成分组成的样品荧光特征谱, 将风化第3, 15和45天的样品及未风化样品的第一平行样的荧光特征谱进行贝叶斯方法(Bayes)判别分析和聚类分析, 确定油品荧光特征谱的分析能力和18条荧光标准谱库(12条原油标准谱和6条燃料油标准谱); 最后, 利用非负最小二乘多元线性回归建立溢油荧光识别方法, 对第0, 7和30天风化的样品和未风化样品的另一平行样进行识别。 实验结果表明, 除对风化及未风化的俄罗斯原油识别外, 该方法对其余风化和未风化的五种原油和三种燃料油识别正确率均为1000%, 整体识别原油正确率为875%, 燃料油正确率为1000%。