Bayesian quantum sensing using graybox machine learning
تقدم هذه الورقة أول عرض تجريبي لإطار عمل تعلم آلي من نوع "الصندوق الرمادي" يجمع بين النماذج القائمة على الفيزياء والتصحيحات القائمة على البيانات لتعزيز دقة وكفاءة الاستشعار الكمي البايزي لتقدير المجال المغناطيسي الساكن بشكل كبير، متفوقاً بذلك على كل من النهج التحليلي الصرف والنهج القائم كلياً على البيانات.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تعد المستشعرات الكمومية أجهزة تستخدم القواعد الغريبة لعالم ما دون الذرة لقياس أشياء مثل المجالات المغناطيسية بدقة لا يمكن للأدوات الكلاسيكية مضاهاتها. وهي تساعد العلماء بالفعل في رسم خرائط داخل الخلايا الحية واكتشاف الرواسب المعدنية تحت الأرض. ومع ذلك، لكي تعمل هذه المستشعرات بشكل موثوق خارج المختبرات الخاضعة للرقابة، يجب عليها مواجهة واقع فوضوي. ففي العالم الحقيقي، لا تكون المعدات التي تُجهز الحالة الكمومية مثالية أبداً، وتدخل البيئة ضوضاء غير متوقعة، كما أن الإشارات الإلكترونية المستخدمة للتحكم في المستشعر غالباً ما تصل مشوهة. وعندما يحاول العلماء استخدام هذه المستشعرات لقياس قيمة مجهولة، فإنهم يعتمدون على نماذج رياضية لتفسير البيانات. وإذا افترض النموذج عالماً مثالياً بينما يعمل المستشعر في عالم فوضوي، فقد تكون النتيجة النهائية للقياس غير دقيقة تماماً. وقد تمثل التحدي في إنشاء نموذج دقيق بما يكفي للتعامل مع العيوب الواقعية دون أن يصبح معقداً لدرجة تتطلب كميات مستحيلة من البيانات للتعلم.
لقد أثبت فريق من الباحثين الآن طريقة جديدة لسد هذه الفجوة، حيث اختبروا بنجاح طريقة تسمى النمذجة "الرمادية" (graybox modeling) على مستشعر كمومي حقيقي. وأظهر الفريق، الذي عمل على إلكترون منفرد محبوس داخل بلورة ألماس، أن هذا النهج الهجين يمكنه تقدير قوة المجال المغناطيسي بدقة أكبر بكثير من الطرق التقليدية. وفي تجربتهم، استخدموا مستشعراً يعتمد على مركز "نيتروجين-فجوة" (nitrogen-vacancy center)، وهو عيب صغير في شبكة الألماس يعمل كجهاز قياس مغناطيسي ذري حساس. قام الباحثون أولاً بجمع مجموعة كبيرة من البيانات التجريبية من خلال إجراء آلاف القياسات حيث قاموا بتغيير توقيت ومرحلة نبضات التحكم. ثم استخدموا هذه البيانات لتدريب نموذج حاسوبي يجمع بين الفيزياء المعروفة ومكون مرن مدفوع بالبيانات مصمم لتعلم الخصائص والعيوب المحددة لإعداداتهم الخاصة.
كانت نتائج هذه التجربة مذهلة. فعندما استخدم الباحثون نموذجهم الرمادي الجديد لتقدير المجال المغناطيسي، انخفض الخطأ في قياساتهم بعدة مراتب عشرية مقارنة باستخدام نموذج يعتمد على الفيزياء فقط. والأهم من ذلك، تفوق النموذج الرمادي على نموذج "الأسود" (blackbox) المدفوع بالبيانات فقط والذي كان مشابهاً له في الحجم والتعقيد. فالنموذج الأسود، الذي اعتمد كلياً على البيانات دون أي قواعد فيزيائية أساسية، واجه صعوبة في التعميم وأنتج نتائج أقل دقة. وفي المقابل، نجح النموذج الرمادي في تعلم العيوب التجريبية باستخدام حوالي 10,000 نقطة بيانات تدريبية، وهو عدد يمكن إدارته في الإعدادات التجريبية الحالية. وهذا يشير إلى أن الطريقة لا تتطلب كمية لا يمكن بلوغها من البيانات لتصبح فعالة، مما يجعلها أداة عملية للتطبيقات الواقعية.
يكمن جوهر نجاح الباحثين في كيفية هيكلة نموذجهم. فبدلاً من محاولة كتابة كل مصدر محتمل للضوضاء في معادلة معقدة، أو ترك الكمبيوتر يتعلم كل شيء من الصفر، قاموا ببناء نظام يحترم القوانين الفيزيائية المعروفة مع السماح لشبكة عصبية بسد الثغرات. تعلمت الشبكة العصبية التنبؤ بكيفية تأثير العيوب المحددة لمعداتهم — مثل تشوهات الإشارة في كابلات الميكروويف أو الأخطاء الطفيفة في كيفية تحضير دوران الإلكترون — على القياس النهائي. ومن خلال تغذية هذا الفهم المتعلم في عملية استدلال بايزي (Bayesian inference)، وهي طريقة إحصائية تُحدث المعتقدات مع وصول بيانات جديدة، استطاع النظام باستمرار تحسين تقديره للمجال المغناطيسي. وأظهرت الدراسة أن هذا النهج لم يؤدِ فقط إلى تحسين دقة الرقم النهائي، بل جعل عملية التقدير بأكملها أكثر استقراراً وموثوقية.
يمثل هذا العمل المرة الأولى التي يتم فيها اختبار استراتيجية "النموذج الرمادي" تجريبياً على نظام كمومي مفتوح، متجاوزاً الدراسات السابقة التي كانت مقتصرة على المحاكاة الحاسوبية. ووجد الباحثون أنه بينما فشل النموذج القائم على الفيزياء فقط في مطابقة سلوك المستشعر في حالات عديدة، وفشل النموذج المدفوع بالبيانات فقط في الأداء الجيد بسبب حاجته لبيانات كثيرة، فقد حقق النموذج الرمادي التوازن الصحيح. لقد استوعب الفيزياء الأساسية مع التكيف مع ضوضاء التجربة المحددة. وأشار الفريق إلى أن هذه الطريقة قابلة للتطبيق على نطاق واسع ويمكن استخدامها مع أنواع أخرى من المستشعرات الكمومية، وليس فقط المستشعر القائم على الألماس الذي اختبروه. ومن خلال توفير طريقة لإنشاء نماذج تنبؤية دقيقة تأخذ في الاعتبار الفوضى الواقعية، يمهد هذا النهج الطريق لمستشعرات كمومية يمكنها العمل بفعالية في سيناريوهات تكيفية وفي الوقت الفعلي، مثل الملاحة أو التصوير الطبي، حيث يمكن حتى للأخطاء الصغيرة في النموذج أن تؤدي إلى فشل كبير في الأداء.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.