Many nonlinear optical technologies require the two-mode spectral amplitude function that describes them---the \emph{joint spectral amplitude} (JSA)---to be separable. We prove that the JSA factorizes \emph{only} when the incident pump field and phase-matching function are Gaussian functions. We show this by mapping our problem to a known result, in continuous variable quantum information, that only squeezed states remain unentangled when combined on a beam splitter. We then conjecture that only a squeezed state minimizes entanglement when sent through a beam splitter with another pre-specified ket. This implies that to maximize JSA separability when one of the (pump or nonlinear medium) functions is non-Gaussian, the other function \emph{must} be Gaussian. This answers an outstanding question about optimal design of certain nonlinear processes, and is of practical interest to researchers using waveguide nonlinear optics to generate and manipulate quantum light.


翻译:许多非线性光学技术需要描述它们的双模式光谱振幅函数, 即 \ emph{ 联合光谱振幅} (JSA) 。 我们证明, 当事件泵场和相匹配函数是 Gaussian 函数时, JSA 系数化了 \ emph{ 仅 。 我们通过绘制问题到已知结果来显示这一点, 在连续的可变量信息中, 只有挤压状态在连接波束分割器时才会保持不纠结状态 。 然后我们推测, 仅通过一个挤压状态在通过一个波束分割器发送与另一个预指定的篮子时, 才会最大限度地减少缠绕 。 这意味着, 当一个( 泵或非线性介质) 函数是非 Gausian 时, 其它函数 \ emph{ must} 是高斯 。 这回答了关于某些非线性进程的最佳设计的一个突出问题, 并且对研究人员使用波导非线性光学来生成和操控量光 。

0
下载
关闭预览

相关内容

JSA:Journal of Systems Architecture: Embedded Software Design Explanation:系统架构期刊:嵌入式软件设计。 Publisher:Elsevier。 SIT:http://dblp.uni-trier.de/db/journals/jsa/
Stabilizing Transformers for Reinforcement Learning
专知会员服务
59+阅读 · 2019年10月17日
开源书:PyTorch深度学习起步
专知会员服务
50+阅读 · 2019年10月11日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
3+阅读 · 2018年10月11日
Learning to Importance Sample in Primary Sample Space
Arxiv
4+阅读 · 2018年4月30日
VIP会员
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员