MétaCan
Menu
Retour à la cohorte
Enregistrement W2884965959 · doi:10.1364/oe.26.019730

Generation of random numbers by measuring phase fluctuations from a laser diode with a silicon-on-insulator chip

2018· article· en· W2884965959 sur OpenAlexaff
Francesco Raffaelli, Philip Sibson, Jake Kennard, Dylan H. Mahler, Mark G. Thompson, Jonathan C. F. Matthews

Notice bibliographique

RevueOptics Express · 2018
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueQuantum Mechanics and Applications
Établissements canadiensXanadu Quantum Technologies (Canada)
Organismes subventionnairesArmy Research OfficeH2020 European Research CouncilEngineering and Physical Sciences Research CouncilHorizon 2020 Framework Programme
Mots-clésRandom number generationPhotonicsSilicon on insulatorDiodeChipComputer scienceLaserElectronic engineeringOpticsSoftwareOptoelectronicsSiliconPhysicsTelecommunicationsEngineeringAlgorithm

Résumé

récupéré en direct d'OpenAlex

Random numbers are a fundamental resource in science and technology. Among the different approaches to generating them, random numbers created by exploiting the laws of quantum mechanics have proven to be reliable and can be produced at enough rates for their practical use. While these demonstrations have shown very good performance, most of the implementations using free-space and fibre optics suffer from limitations due to their size, which strongly limits their practical use. Here we report a quantum random number generator based on phase fluctuations from a diode laser, where the other required optical components are integrated on a mm-scale monolithic silicon-on-insulator chip. The post-processing reported in this experiment is performed via software. However, our physical device shows the potential of operation at generation rates in the Gbps regime. Considering the device's size, its simple, robust and low power operation, and the rapid industrial uptake of silicon photonics, we foresee the widespread integration of the reported design in more complex systems.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,161
Score d'incertitude au seuil0,464

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,026
Tête enseignante GPT0,263
Écart entre enseignants0,237 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations61
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOptics ExpressMême sujetQuantum Mechanics and ApplicationsTravaux en français237 207