Reducing Sensing Time through Offline Experimental Design for Nuclear Spin Detection

ملخص تقني: تقليل وقت الاستشعار من خلال التصميم التجريبي غير المتصل (Offline) للكشف عن اللف المغزلي النووي

بيان المشكلة
يعد توصيف بيئات اللف المغزلي النووي في الأجهزة ذات الحالة الصلبة أمراً بالغ الأهمية لتطوير التقنيات الكمومية، لا سيما لتوسيع نطاق التصوير بالرنين المغناطيسي إلى المقياس النانوي وتطوير السجلات الكمومية. ومع ذلك، تعتمد الطرق التقليدية للكشف عن وتوصيف اللفات المغزلية النووية الفردية (على سبيل المثال، باستخدام مراكز النيتروجين-فراغ (NV) في الماس) على تسلسلات نبضية طويلة وعمليات متوسط حسابي مكثفة للتغلب على ضجيج الطلقة (shot noise). يؤدي هذا إلى أوقات قياس طويلة للغاية مما يحد من التطبيق العملي والمسح عالي الإنتاجية لهذه الأنظمة. وبينما توجد استراتيجيات تصميم تجريبي تكيفي، إلا أنها غالباً ما تتطلب إلكترونيات معقدة في الوقت الفعلي ويصعب دمجها مع بنيات التعلم العميق مسبقة التدريب مثل SALI (الذكاء الاصطناዊ للإشارة إلى الصورة)، والتي توفر أوقات تشغيل بمقياس الميكروثانية ولكنها مصممة لمجموعات قياس محددة وثابتة.

المنهجية
يقترح المؤلفون استراتيجية تصميم تجريبي غير متصل (offline) تعمل على تحسين عملية الحصول على البيانات قبل بدء التجربة، بدلاً من تكييف الإعدادات أثناء القياس. يتضمن النهج الأساسي ثلاث مراحل:

1. كسب المعلومات البديل (SIG) لاختيار البيانات:
   بدلاً من استخدام "كسب المعلومات المتوقع" (EIG) المكلف حاسوبياً والمستمد من التقدير البايزي، يقدم المؤلفون كسب المعلومات البديل (SIG). يُعرَّف SIG بأنه التباين المتوقع لإشارة القياس عبر التوزيع القبلي لمعلمات الاقتران فائقة الدقة ($\vec{A}$).

• المبرر: يمكن لـ EIG أن يحدد الإعدادات كمعلومات مفيدة حتى عندما تجعل العيوب التجريبية (الضجيج) هذه الإعدادات غير مفيدة في الممارسة العملية. أما SIG، كونه يعتمد على تباين الإشارة، فهو أكثر قوة تجاه الضجيج التجريبي وأكثر سهولة في الحساب.
• الآلية: قام المؤلفون بمحاكاة آلاف الإشارات الاصطناعية بناءً على توزيع قبلي للاقترانات فائقة الدقة. لكل تأخير نبضي محتمل ($\tau$) في تسلسل CPMG، يقومون بحساب تباين احتمالية البقاء $P_+(\tau)$. يتم اختيار نقاط البيانات ذات التباين الأعلى باعتبارها الأكثر قدرة على التمييز بين التكوينات المغزلية المختلفة.

2. نموذج التعلم العميق (SALI):
   تُستخدم نقاط البيانات المختارة لتدريب نموذج تعلم عميق يعتمد على بنية SALI. على عكس الطرق التقليدية التي تطابق الرنين، يقوم SALI بمعالجة أي إشارات مدخلة (احتمالات البقاء) ويخرج صورة ثنائية الأبعاد تمثل توزيع اللفات المغزلية النووية (ثوابت الاقتران $A_z$ و $A_\perp$). يتم تدريب النموذج على بيانات اصطناعية ناتجة عن المجموعة الفرعية المحددة من نقاط البيانات التي حددها نهج SIG.

3. التحقق التجريبي:
   يتم تطبيق "النموذج التشغيلي" المدرب على بيانات تجريبية حقيقية تم جمعها باستخدام فقط نقاط البيانات المختارة عبر SIG. يختبر المؤلفون هذا في نظامين:

• نظام المجال العالي ($B_z = 404$ G): تم التحقق منه باستخدام بيانات تجريبية.
• نظام المجال المنخفض ($B_z = 40.4$ G): تم التحقق منه باستخدام بيانات محاكاة، حيث تكون الإشارات أكثر تعقيداً وتداخلاً.

المساهمات الرئيسية

• تقديم SIG: مقياس جديد لتقييم التصميم التجريبي يوازن بين الكفاءة الحسابية والمتانة، متجنباً عيوب EIG في البيئات المليئة بالضجيج.
• التكامل مع التعلم العميق: إظهار كيف يمكن للتحسين غير المتصل (offline optimization) أن يقلل بفعالية من متطلبات بيانات المدخلات لنماذج التعلم العميق مسبقة التدريب دون فقدان كبير في الدقة.
• استراتيجية النظام المزدوج: إظهار كيف يمكن تقليل وقت القياس عن طريق اختيار نقاط البيانات المعلوماتية (SIG) و/أو تقليل عدد التكرارات ($N_m$) لكل نقطة، مما يعني فعلياً المقايضة بين ضجيج الطلقة والوقت مع الحفاظ على الأداء.

النتائج

• نظام المجال العالي:
  • من خلال اختيار أفضل 4,000 نقطة بيانات فقط (من كامل النطاق) بناءً على SIG، تم تقليل وقت القياس بنسبة تقارب 50% (من 8 ساعات إلى 4 ساعات) مع حد أدنى من التدهور في الأداء (اكتشاف 25 لفة مغزلية مقابل 27 في مجموعة البيانات الكاملة).
  • من خلال تقليل عدد التكرارات لكل نقطة بيانات ($N_m$) من 250 إلى 100، انخفض إجمالي وقت القياس بنسبة 85% (من 11 ساعة إلى 1.6 ساعة). ظل أداء النموذج مطابقاً تقريباً للخط المرجعي الكامل، حيث نجح في توصيف عنقود اللف المغزلي النووي.
• نظام المجال المنخفض:
  • في هذا النظام، حيث تكون الإشارات أكثر تعقيداً، استخدم المؤلفون SIG لاختيار نقاط بيانات ذات دقة زمنية أعلى (1 نانو ثانية مقابل 4 نانو ثانية) للتعويض عن انخفاض المجال المغناطيسي.
  • باستخدام نقاط البيانات المختارة عبر SIG مع تقليل التكرارات ($N_m=100$)، حقق النموذج تقليلاً في إجمالي وقت القياس بنسبة 60% (من 8 ساعات إلى 3.2 ساعة) مع أداء يضاهي، أو يتفوق على، النموذج المرجعي المدرب على البيانات كاملة الدقة.

الأهمية والادعاءات
يدعي البحث أن دمج التعلم العميق مع اختيار الإشارة الأمثل عبر SIG يعزز بشكل كبير كفاءة توصيف اللف المغزلي النووي. ويؤكد المؤلفون أن هذا النهج غير التكيفي سهل التنفيذ بطبيعته لأنه لا يتطلب إلكترونيات معقدة في الوقت الفعلي.

تكمن أهمية هذا العمل في:

1. القابلية للتوسع: تمكين التوصيف الأسرع للبيئات المحلية التي تسبب فقدان الترابط (decoherence) في الكيوبتات المغزلية الإلكترونية، وهو أمر ضريد لتصميم تسلسلات تحكم مخصصة لتحسين دقة البوابات.
2. الشبكات الكمومية: تسهيل المعرفة الدقيقة للاقترانات فائقة الدقة المطلوبة لاستخدام اللفات المغزلية النووية ككيوبتات مساعدة في الشبكات والحوسبة الكمومية.
3. الرنين المغناطيسي النانوي (Nano-NMR): جعل الرنين المغناطيسي النووي على المقياس النانوي أكثر عملية وقابلية للتطبيق على نطاق واسع، خاصة للعينات الكيميائية أو البيولوجية غير المستقرة حيث تكون أوقات الحصول على البيانات القصيرة أمراً حاسماً.

يشير المؤلفون إلى أنه بينما يعد نهجهم الحالي غير تكيفي، فإن العمل المستقبلي قد يستكشف تقنيات تكيفية في الوقت الفعلي، مما قد يستفيد من الاستدلال البايزي المتغير أو غيره من الأساليب الحسابية لتقليل أوقات الحصول على البيانات والمعالجة بشكل أكبر.