Beschreibung
Optische Quantentechnologien versprechen in ausgewählten Bereichen eine disruptiv höhere Leistungsfähigkeit gegenüber klassischen Systemen. Gleichzeitig ist der Übergang von grundlagenorientierter Forschung zu anwendungsnaher Entwicklung mit erheblichen praktischen Herausforderungen verbunden. Konventionelle Lösungsansätze beruhen dabei auf theoretisch abgeleiteten physikalischen Modellen, stoßen angesichts der Komplexität realer Quantensysteme jedoch zunehmend an ihre Grenzen. Hier bieten datengetriebene Methoden des maschinellen Lernens das Potenzial, vielschichtige Abhängigkeiten empirisch abzubilden und somit effektiv zur Lösung praxisrelevanter Problemstellungen beizutragen. Diese Dissertation adressiert zwei komplementäre Herausforderungen an der Schnittstelle von maschinellem Lernen und optischen Quantentechnologien. Der erste Schwerpunkt liegt auf der Optimierung photonischer Sensorik durch den gezielten Einsatz datengetriebener Verfahren in der Signalverarbeitung. So wird zur Lösung des inversen Problems der oberflächenverstärkten Infrarot-Spektroskopie eine innovative Hauptkomponenten-Regression präsentiert, welche eine Steigerung der Selektivität um 60% gegenüber etablierten Kalibrierungsverfahren erzielt. Die experimentelle Validierung erfolgt dabei anhand der Detektion physiologischer Glukose- und Fruktose-Konzentrationen in wässrigen Lösungen. Zur Steigerung der Sensitivität eines Stickstoff-Fehlstellen-Quantensensors wiederum wird ein spezialisiertes Filterverfahren für quasi-periodische Signale entwickelt. Dieses basiert auf einem inkrementell lernenden Signalmodell und ermöglicht die robuste Extraktion medizinisch relevanter Strukturen eines schwachen magnetokardiografischen Signals im niedrigen pT-Bereich. Der zweite Schwerpunkt dieser Arbeit liegt auf der automatisierten Eignungsanalyse selbstorganisierter Halbleiter-Quantenpunkte. Diese stellen als Einzelphotonenquelle eine zentrale Basistechnologie optischer Quantensysteme dar, zeigen jedoch eine signifikante Variabilität in ihrer räumlichen und spektralen Verteilung. Die zuverlässige Auswahl geeigneter Quantenpunkte erfolgt gegenwärtig manuell durch geschultes Fachpersonal und erweist sich damit als wesentlicher Flaschenhals einer skalierbaren Serienfertigung. Hier wird stattdessen eine datengetriebene Lösung konzipiert, die aus interpretierbaren spektralen Kenngrößen und abstrakten Autoencoder-Merkmalen eine minimal redundante, aber maximal relevante Darstellung von Quantenpunkt-Emissionsspektren ableitet. Über ein probabilistisches neuronales Regressionsmodell wird schließlich die menschliche Experteneinschätzung mit einer Genauigkeit von 92% vollautomatisiert und objektiv repliziert. Insgesamt demonstrieren die Ergebnisse dieser Arbeit, wie datengetriebene Ansätze des maschinellen Lernens durch die Verknüpfung von physikalischem Systemverständnis, methodischer Stringenz und experimenteller Validierung zur Lösung anwendungsnaher Herausforderungen beitragen können. Dabei stärken die hier entwickelten Methoden die praktische Umsetzung optischer Quantentechnologien und eröffnen neue Perspektiven für deren industrielle Skalierung.
Herstellerkennzeichnung:
Shaker Verlag GmbH
Am Langen Graben 15a
52353 Düren
DE
E-Mail: info@shaker.de
