发表机构
McGill University（麦吉尔大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文提出利用自然参数涨落作为训练信号，无需响应模型即可优化光学传感前端，通过构造Fisher信息代理量训练模式分类器，达到量子极限性能。
AI 中文摘要
基于Fisher信息的可编程光学前端原位优化通常需要响应模型或参数标记的测量。我们表明，自然参数涨落可以提供训练信号。我们假设局部仿射响应，在减去条件探测噪声后，从测量的协方差构造一个参数的Fisher信息（FI）和多个参数的先验加权FI谱的代理量。我们使用来自两个非相干点源的模拟光子计数来训练一个模式分类器，该分类器在分离估计上接近量子极限，并在联合质心-分离估计上达到Nagaoka-Hayashi单拷贝界。我们展示了仅需计数更新的方法，无需仪器响应模型，且性能可与基于模型的梯度方法相媲美。我们的结果为无需受控参数扫描的自适应光学测量提供了一条途径。
英文摘要
Fisher-information-based optimization of programmable optical front ends in situ generally requires a response model or parameter-labeled measurements. We show that natural parameter fluctuations can instead provide the training signal. We construct proxies for the Fisher information (FI) of one parameter and the prior-weighted FI spectrum of multiple parameters from measured covariances after subtracting conditional detection noise, assuming locally affine responses. We use simulated photon counts from two incoherent point sources to train a mode sorter that approaches the quantum limit for separation and the Nagaoka--Hayashi single-copy bound for joint centroid--separation estimation. We demonstrate count-only updates that require no instrument response model and achieve performance comparable to model-based gradients. Our results provide a route to adaptive optical measurements without controlled parameter scans.
Comments11 pages main text, 20 pages supplemental material
