[发明专利]基于压缩感知的阵列SNSPD读出方法及装置

说明书

本发明公开了一种基于压缩感知的阵列SNSPD读出方法及装置，方法包括：(1)构建集成压缩感知采样和重建为一体的深度学习网络；(2)采用自然场景图片作为样本输入深度学习网络进行训练；(3)根据深度学习网络形成压缩感知采样矩阵S_r、S_c；(4)将压缩感知采样向量S_ri,S_ci以偏置电流的形式加载到阵列SNSPD上；(5)将阵列SNSPD的所有像元的输出合并，根据输出信号幅值获取阵列SNSPD中响应的像元总个数x_i；(6)重复执行步骤(4)、(5)，直至采样矩阵S_r、S_c的行被遍历完，形成采样结果向量X＝{x_i}^T；(7)将采样结果向量X输入训练好的深度学习网络中的初步重建子网络，编解码重建子网络输出的信号为重建信号Y。本发明适用于多像元同时响应、电路简单、速度快。

技术领域

本发明涉及光子探测技术，尤其涉及一种基于压缩感知的阵列SNSPD读出方法及装置。

背景技术

超导纳米线单光子探测器(SNSPD)经过近20年的发展，已经具备了极高的探测效率、极低的暗计数以及很宽的光谱响应范围。在深空通信、量子信息、激光雷达、生物成像等方面发挥了主要的作用。

基于SNSPD的单光子激光雷达已经实现了毫米分辨率和千米范围的三维成像，此前报道的比较多的基于SNSPD的激光雷达成像系统采用的普遍是单像元探测器，需要额外的扫描系统才能实现大范围的成像。图像的横向分辨率受限于扫描步进系统的分辨率，且只适用于对静态目标进行成像。因此要实现非扫描的成像就需要大阵列的SNSPD。并且目前单像元的器件普遍光敏面较小，实用性不强，计数率受限，没有办法分辨光子数。所以发展阵列SNSPD是必然的趋势。

阵列SNSPD的发展主要受限于读出电路，最直接的读出方式是将每个像元单独读出，但是随着像元数的增加，同轴线引入的热负载越来越大，制冷机有限的制冷功率使得这种直接读出的方式无法适应更大规模的阵列。脉冲幅度复用的方式只采用单根读出线就可以同时分辨光子到达的空间位置和时间，但是同样没有办法大规模的扩展。目前最大的阵列SNSPD包含1024个像素，采用行列复用的读出方式并且采用一个64通道的时间数字转换器来记录。双层热耦合的读出方式可以避免行列复用时电流重分配的影响,但是还没有真正应用在千像素级的阵列SNSPD上。除了行列复用，一种基于时分复用的超导纳米延迟线被应用于阵列SNSPD的读出，可以实现590个有效像素的单光子成像。上述几种方法都是目前比较高效的读出方式，但是存在无法同时读出多个像元的问题。

频分复用读出的方式虽然可以同时实现多像元的读出，但是其占空比通常很低并且偏置电路较为复杂。单磁通量子读出电路和基于超导纳米线逻辑器件(nTron)的读出电路都是基于片上编码的方式实现读出，是目前很有发展前景的两种方案。但是这两种方法的制备工艺都比较复杂，尤其是当阵列规模较大时，所以目前都没有实现很大规模的扩展。因此要实现快速且高质量的三维成像，除了进一步扩大SNSPD的像元规模及面积，还需要开发出一种可以多像元同时响应、电路简单、速度快的读出方式。

发明内容

发明目的：本发明针对现有技术存在的问题，提供一种可以多像元同时响应、电路简单、速度快的基于压缩感知的阵列SNSPD读出方法及装置。

技术方案：本发明所述的基于压缩感知的阵列SNSPD读出方法包括：

(1)构建集成压缩感知采样和重建为一体的深度学习网络，所述深度学习网络具体包括依次连接的压缩采样子网络、初步重建子网络和编解码重建子网络；

(2)采用自然场景图片作为样本输入深度学习网络进行训练；

(3)从训练完成的深度学习网络中，提取压缩采样子网络的权值矩阵作为压缩感知采样矩阵S_r、S_c；