🔬 applied physics

A Deep-Learning-Boosted Framework for Quantum Sensing with Nitrogen-Vacancy Centers in Diamond

تقدم هذه الورقة إطار عمل قويًا للتعلم الآلي في الوقت الفعلي باستخدام شبكة عصبية تلافيفية أحادية الأبعاد لتحليل أطياف رنين التذبذب المغناطيسي الميكروي لمركز "نيتروجين-فجوة" (NV center) بكفاءة ودقة، متفوقةً بذلك على عمليات الملاءمة غير الخطية التقليدية في السرعة والموثوقية — لا سيما عند انخفاض نسبة الإشارة إلى الضوضاء — كما هو موضح في استشعار درجة الحرارة داخل الخلايا وتصوير الدوامات فائقة التوصيل.

المؤلفون الأصليون: Changyu Yao, Haochen Shen, Zhongyuan Liu, Ruotian Gong, Md Shakil Bin Kashem, Stella Varnum, Liangyu Li, Hangyue Li, Yue Yu, Yizhou Wang, Xiaoshui Lin, Jonathan Brestoff, Chenyang Lu, Shankar Mukherji

نُشر 2026-03-17

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Changyu Yao, Haochen Shen, Zhongyuan Liu, Ruotian Gong, Md Shakil Bin Kashem, Stella Varnum, Liangyu Li, Hangyue Li, Yue Yu, Yizhou Wang, Xiaoshui Lin, Jonathan Brestoff, Chenyang Lu, Shankar Mukherji, Chuanwei Zhang, Chong Zu

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

الصورة الكبيرة: البحث عن إبرة في كومة قش، في لمح البصر

تخيل أنك تحاول الاستماع إلى محطة راديو معينة، لكن الإشارة مليئة بالضجيج (التشويش). في عالم الفيزياء الكمومية، يستخدم العلماء عيوبًا صغيرة في الألماس تسمى مراكز النيتروجين-الفراغ (NV centers) كأنها ميكروفونات فائقة الحساسية. هذه "الميكروفونات الماسية" يمكنها اكتشاف أشياء غير مرئية مثل المجالات المغناطيسية، أو تغيرات درجات الحرارة داخل خلية حية، أو حتى الدوامات المغناطيسية الصغيرة في الموصلات الفائقة.

لـ "الاستماع" إلى هذه الألماس، يقوم العلماء بتسليط ليزر عليها ومسح الترددات الراديوية. عندما يتوافق التردد مع الإيقاع الطبيعي للألماس، ينخفض الضوء الذي يشع منه. هذا الانخفاض يسمى طيف ODMR.

المشكلة:
تقليديًا، لمعرفة ما يستشعره الألماس (مثل درجة الحرارة الدقيقة)، يتعين على العلماء أخذ هذه الرسوم البيانية المتعرجة والمشوشة ومحاولة مطابقتها بمنحنى رياضي. الأمر يشبه محاولة حل لغز معقد وأنت ترتدي قفازات سميكة، وفي الظلام، بينما تتغير قطع اللغز باستمرار.

يستغرق الأمر وقتًا طويلاً (بطيء جداً بالنسبة للفيديو في الوقت الفعلي).
إذا كانت الإشارة ضعيفة (وجود الكثير من التشويش)، يصاب الكمبيوتر بالارتباك ويعطي إجابة خاطئة.
يتطلب الأمر من الإنسان تخمين نقطة البداية لحل اللغز، وإذا أخطأ التخمين، يفشل الكمبيوتر.

الحل:
قام مؤلفو هذه الورقة البحثية ببناء تعلم عميق للذكاء الاصطناعي (نوع من الأدمغة الحاسوبية) يعمل كمترجم فائق السرعة والذكاء. بدلاً من محاولة حل اللغز قطعة قطعة، ينظر الذكاء الاصطناعي إلى الصورة الكاملة ويقول فوراً: "آه، هذا النمط يعني أن درجة الحرارة هي 37 درجة مئوية"، أو "هذا النمط يعني وجود دوامة مغناطيسية هنا".

كيف يعمل الأمر: تشبيه "الفلتر الذكي"

فكر في الطريقة القديمة (الملاءمة غير الخطية - Non-linear Fitting) على أنها سيارة يدوية (مانيوال).

يجب عليك الضغط على القابض (الدبرياج)، وتغيير التروس، وتخمين عدد دورات المحرك لتجعل السيارة تتحرك.
إذا كان الطريق وعراً (بيانات مشوشة)، فقد يتوقف المحرك عن العمل.
إذا كان عليك قيادة 10,000 ميل (تحليل 10,000 صورة)، فسيستغرق الأمر وقتاً طويلاً وستصاب بالإرهاق.

الطريقة الجديدة (إطار عمل 1D-CNN) تشبه سيارة كهربائية ذاتية القيادة.

أنت فقط تضغط على زر "انطلاق".
كمبيوتر السيارة (الذكاء الاصطناعي) قد رأى ملايين الظروف الطرقية أثناء تدريبه. هو لا يحتاج للتخمين؛ هو "يعرف" ببساطة كيف يتعامل مع المطبات.
يعالج البيانات بسرعة تفوق سرعة البشر بآلاف المرات.

النجاحات الثلاثة الكبرى

تثبت الورقة البحثية أن نهج الذكاء الاصطناعي هذا أفضل في ثلاث طرق محددة:

1. السرعة: من ساعات إلى أجزاء من الثانية

الطريقة القدة: تحليل صورة واحدة لمجال مغناطيسي قد يستغرق دقائق أو ساعات لأن الكمبيوتر يجب أن يجري عملية حسابية معقدة لكل بكسل واحد.
الطريقة الجديدة: يعالج الذكاء الاصطناي الصورة الكاملة في جزء من الثانية.
التشبيه: إنه الفرق بين أمين مكتبة يفحص كل كتاب على الرف يدوياً للعثور على عنوان (الطريقة القديمة)، مقابل روبوت يمسح الرف بأكمله باستخدام قارئ باركود في رمشة عين (الطريقة الجديدة).

2. الدقة وسط الضجيج: الرؤية عبر الضباب

الطريقة القديمة: عندما تكون البيانات "مشوشة" (مثل محاولة سماع همس في حفلة روك صاخبة)، فإن الرياضيات القديمة غالباً ما تضيع وتعطي إجابة خاطئة تماماً.
الطريقة الجديدة: تم تدريب الذكاء الاصطناعي على ملايين الأمثلة "المشوشة". لقد تعلم تجاهل التشويش والتركيز على الإشارة.
التشبيه: تخيل محاولة العثور على صديق في ملعب مزدحم وضبابي. الطريقة القديمة تشبه التحديق والتخمين. أما الذكاء الاصطناعي فهو مثل الكاميرا الحرارية التي ترى البصمة الحرارية لصديقك بوضوح، حتى من خلال الضباب.

3. الموثوقية: لا مزيد من "ألعاب التخمين"

الطريقة القديمة: يحتاج الكمبيوتر إلى "نقطة بداية" (تخمين أولي). إذا أخبرته أن يبحث عن درجة حرارة 100 درجة مئوية بينما هي في الواقع 20 درجة مئوية، فقد يعلق في حلقة مفرغة ويفشل.
الطريقة الجديدة: لا يحتاج الذكاء الاصطناعي إلى تخمين أولي. ينظر إلى البيانات ويقفز مباشرة إلى الإجابة. هو لا "يعلق" أبداً.

القوى الخارقة في العالم الحقيقي: ماذا فعلوا فعلياً؟

لم يكتفِ الفريق ببناء الذكاء الاصطناعي فحسب؛ بل استخدموه للقيام بعلوم رائعة كانت في السابق صعبة للغاية أو بطيئة جداً:

1. الشعور بالحرارة داخل خلية حية
وضعوا مستشعرات ألماس دقيقة داخل خلايا مناعية للفئران. عندما حفزوا تفاعلاً كيميائياً يولد حرارة (مثل نار استقلابية صغيرة)، رسم الذكاء الاصطناعي خريطة فورية لارتفاع درجة الحرارة.

لماذا يهم هذا: لقد أثبتوا أن بإمكانهم مراقبة الخلية وهي "تسخن" في الوقت الفعلي، مما يساعدنا على فهم كيفية عمل الأمراض.

2. رؤية الدوامات المغناطيسية غير المرئية
استخدموا الذكاء الاصطناعي للنظر في موصل فائق (مادة توصل الكهرباء دون مقاومة). في الداخل، تُحبس المجالات المغناطيسية في دوامات صغيرة تسمى "دوامات" (vortices).

لماذا يهم هذا: أنشأ الذكاء الاصطناعي خريطة عالية الدقة لهذه الدوامات غير المرئية فوراً. الطريقة القديمة كانت ستستغرق ساعات لإنشاء خريطة ضبابية؛ بينما صنع الذكاء الاصطناعي خريطة حادة وواضحة في ثوانٍ.

الخلاصة

تتعلق هذه الورقة البحثية بمنح علماء الكم قوة خارقة. من خلال استبدال الرياضيات البطيئة والهشة بذكاء اصطناعي سريع وقوي، يمكنهم الآن:

رؤية الأشياء بشكل أسرع (تصوير في الوقت الفعلي).
رؤية الأشياء بشكل أفضل (حتى عندما تكون البيانات فوضوية).
القيام بأشياء كانت مستحيلة سابقاً (مثل رسم خرائط للعمليات البيولوجية المعقدة أو المواد الكمومية فورياً).

الأمر يشبه الترقية من هاتف بسيط (Flip Phone) إلى هاتف ذكي: الوظيفة الأساسية (إجراء مكالمة) هي نفسها، لكن الأداة الجديدة تجعل كل شيء أسرع، وأوضح، وقادراً على القيام بأشياء لم تكن تتخيلها أبداً.

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "إطار عمل مدعوم بالتعلم العميق للاستشعار الكمي باستخدام مراكز النيتروجين-فراغ (NV) في الألماس."

1. بيان المشكلة

تُعد مراكز النيتروجين-فراغ (NV) في الألماس منصة رائدة للاستشعار الكمي، حيث توفر دقة مكانية على مقياس النانو وحساسية عالية للمجالات المغناطيسية، ودرجة الحرارة، والإجهاد في الظروف المحيطة. الطريقة القياسية لاستخراج المعلمات الفيزيائية من هذه المستشعرات هي الرنين المغناطيسي البصري المكتشف (ODMR)، حيث تقوم ميزات الرنين في أطياف الفلورة بتشفير الكميات المستهدفة.

ومع ذلك، يعتمد التحليل التقليدي على الملاءمة غير الخطية للأقل مربعات (على سبيل المثال، ملاءمة مجموع دوال لورنتز أو غاوس). يواجه هذا النهج ثلاث عقبات حرجة:

التكلفة الحسابية: عملية التحسين التكرارية بطيئة، مما يجعلها غير عملية للتطبيقات ذات الإنتاجية العالية مثل التصوير واسع المجال (ملايين البكسلات) أو التجارب المعتمدة على الزمن.
الحساسية للقيم الأولية: عملية الملاءمة حساسة للغاية للتخمينات الأولية للمعلمات. غالبًا ما تؤدي القيم الأولية السيئة إلى التقارب نحو القيم الدنيا المحلية بدلاً من القيمة المثلى العالمية.
الفشل عند انخفاض نسبة الإشارة إلى الضجيج (SNR): في أنظمة SNR المنخفضة (الشائعة في الاستشعار البيولوجي أو التصوير السريع)، يحجب ضجيج الفوتونات (shot noise) ميزات الرنين، مما يؤدي إلى فشل الملاءمة التقليدية أو إنتاج نتائج منحازة. وبينما تعمل استراتيجيات مونت كارلو (MC) (التكرارات العشوائية الأولية) على تحسين المتانة، إلا أنها تفرض تكاليف حسابية باهظة.

2. المنهجية

يقترح المؤلفون إطار عمل قويًا يعتمد على التعلم الآلي (ML) بناءً على شبكة عصبية تلافيفية أحادية الأبعاد (1D-CNN) لإجراء الاستدلال المباشر للمعلمات من أطياف ODDR.

البنية:
- تتكون الشبكة من 5 طبقات تلافيفية تليها 3 طبقات متصلة بالكامل (FC)، بإجمالي حوالي 70 مليون معلمة قابلة للتدريب.
- تم اختيار عمق الـ 5 طبقات لموازنة القدرة على حل القمم المتداخلة والمعقدة مع الكفاءة الحسابية.
- المدخلات: 101 نقطة تردد ميكروويف مأخوذة بعينات منتظمة (تم تطبيعها إلى النطاق [0, 1]).
- المعالجة المسبقة: تخضع إشارات الفلورة الخام لتطبيع Z-score ( $I_{norm} = (I - \mu)/\sigma$ ) لتقليل تأثير التباينات في السعة والتركيز على أشكال الخطوط الطيفية بدلاً من الشدة المطلقة.
استراتيجية التدريب:
- خط إنتاج البيانات الاصطناعية: لمنع الإفراط في التخصيص (overfitting) وضمان التعميم، يتم تدريب النموذج على بيانات اصطناعية يتم إنشاؤها "أثناء التشغيل" خلال عملية التدريب.
- القيود الفيزيائية: يتم إنشاء الأطياف الاصطناعية بمعلمات عشوائية ضمن نطاقات ذات صلة فيزيائيًا (التردد المركزي، الانقسام، عرض الخط، التباين). تُفرض قيود لضمان وجود هياكل ثنائية القمة واقعية (على سبيل المثال، انقسام $\ge 0.8 \times$ متوسط عرض الخط).
- تقدير عدم اليقين: تُستخدم دالة خسارة احتمالية لتدريب النموذج على إخراج تقديرات عدم اليقين لكل طيف (عدم اليقين الألياتوري - aleatoric uncertainty).
أنماط الاستدلال:
1. استدلال CNN المباشر: تنبؤ سريع بمرور واحد دون الحاجة لتحسين تكراري.
2. النهج الهجين: يستخدم تنبؤ الـ CNN كقيمة أولية لخطوة ملاءمة لاحقة غير خطية لاستعادة دقة مستوى الملاءمة في أنظمة SNR المرتفعة.

3. المساهمات الرئيسية

الابتكار الخوارزمي: تطوير بنية 1D-CNN متخصصة لتحليل أطياف ODMR، قادرة على رسم خرائط الميزات الطيفية المعقدة إلى المعلمات الفيزيائية مباشرة.
قياس الأداء: مقارنة شاملة مع الملاءمة القياسية غير الخطية وطرق مونت كارلو عبر مجموعات بيانات اصطناعية وتجريبية، مما أظهر تفوقًا في السرعة والمتانة.
التحقق من التطبيق: النشر الناجح في سيناريوهين مختلفين وصعبين من سيناريوهات الاستشعار الكمي:
- قياس الحرارة داخل الخلايا: قياس التغيرات في درجة الحرارة في خلايا الماكروفاج لدى الفئران باستخدام مجسات النانو دايموند.
- قياس المغناطيسية واسع المجال: تصوير الدوامات فائقة التوصيل في موصل فائق عالي الحرارة (BSCCO) بدقة ميجابكسل.
معايرة عدم اليقين: إثبات أن النموذج يوفر تقديرات عدم يقين دقيقة إحصائيًا تعكس مستويات الضجيج في البيانات بدقة.

4. النتائج

أ. أداء البيانات الاصطناعية

الدقة: تحافظ شبكة CNN على دقة تنبؤ عالية حتى عند مستويات SNR منخفضة، متفوقة بشكل كبير على ملاءمة مونت كارلو. بينما تعاني ملاءمة MC من القيم المتطرفة الكارثية والوقوع في القيم الدنيا المحلية في أنظمة SNR المنخفضة، تستطيع CNN استخراج الميزات الطيفية العالمية بفعالية.
السرعة: السرعة هائلة. معالجة 5,000 طيف:
- ملاءمة مونت كارلو (200 تكرار): ~683 ثانية.
- النهج الهجين: ~10.8 ثانية.
- استدلال 1D-CNN الصافي: ~2.94 مللي ثانية (تسريع بمقدار ~5 مراتب عشرية).
عدم اليقين: يتناسب عدم اليقين المتوقع عكسيًا مع SNR، ويتبع توزيع البواقي المعيارية توزيعًا طبيعيًا معياريًا، مما يؤكد معايرة النموذج.

ب. التحقق التجريبي: قياس الحرارة داخل الخلايا

المعايرة: طابقت الحساسية الحرارية المستمدة من CNN ( $dD/dT \approx -66.5$ kHz/°C) نتائج الملاءمة الهجينة والقيم الموجودة في الأدبيات.
التطبيق البيولوجي: نجح الإطار في اكتشاف الزيادات في درجة الحرارة في خلايا الماكروفاج لدى الفئروس المعالجة بـ FCCP (مفكك الميتوكوندريا).
- مجموعة التحكم: ~28.4 درجة مئوية (الهجين) مقابل ~31.8 درجة مئوية (CNN).
- المجموعة المعالجة بـ FCCP: ~36.2 درجة مئوية (الهجين) مقابل ~43.8 درجة مئوية (CNN).
- الأهمية: رغم التباين المنهجي والضجيج، التقطت CNN اتجاه الاحترار النسبي بشكل موثوق (p-value = 0.0013)، مما يثبت فائدتها للاستشعار البيولوجي حيث تكون جودة البيانات محدودة غالبًا.

ج. التحقق التجريبي: تصوير الدوامات فائقة التوصيل

السيناريو: تصوير مغناطيسي واسع المجال للدوامات في رقاقة BSCCO (موصل فائق من النوع الثاني).
الإنتاجية: عالجت CNN مصفوفة ميجابكسل من أطياف ODMR في 44 ثانية، أي أسرع بحوالي 11 مرة من الطريقة الهجينة (486 ثانية).
المتانة: في التصوير واسع المجال، غالبًا ما تفشل عملية التهيئة العالمية الواحدة بسبب التباينات المكانية عبر مجال الرؤية. حافظت CNN، التي لا تتطلب تهيئة، على خطأ إعادة بناء (RMSE) منخفض عبر نطاق SNR الكامل، بينما تدهورت طرق الملاءمة التي تستخدم قيمًا أولية مزاحة قليًا بسرعة عند انخفاض SNR.

5. الأهمية والآفاق المستقبلية

الاستشعار الكمي في الوقت الفعلي: يزيل هذا الإطار العقبة الحسابية للملاءمة التكرارية، مما يسمح بالتحليل الفوري لبيانات التصوير الكمي واسعة النطاق.
القابلية للتوسع: تجعل البصمة الحسابية المنخفضة للنموذج مناسبة للنشر على الأجهزة الطرفية (مثل FPGAs)، مما قد يتيح التحكم في الحلقة المغلقة بزمن انتقال ميكروثاني وتصوير تكيفي.
القدرة على التعميم: رغم التركيز على مراكز NV، فإن هذا النهج قابل للتطبيق على الأنظمة الكمية الأخرى ذات الميزات الطيفية المعقدة (مثل عيوب السبين في نيتريد البورون السداسي)، ويمكن توسيعه لاستخراج معلمات متعددة في وقت واحد (المجالات المغناطيسية المتجهة، موترات الإجهاد، إلخ).
المجهر الذكي: يسمح تقدير عدم اليقين المدمج باستراتيجيات استحواذ "ذكية"، حيث يمكن تعديل أوقات التكامل ديناميكيًا بناءً على تقديرات الثقة في الوقت الفعلي.

في الختام، يرسخ هذا العمل التعلم العميق كعنصر قياسي وقابل للتوسع في أدوات الاستشعار الكمي، متجاوزًا قيود السرعة والمتانة التي تفرضها طرق التحليل التقليدية.