Sequential Spatiotemporal Magnetic-Field Reconstruction via Quantum Hamiltonian Learning with NV-Center Spin-1 Hamiltonians
Dieser Beitrag schlägt einen sequentiellen Bayes'schen Rahmen vor, der Quanten-Hamilton-Lernen und Spin-Dynamik von Stickstoff-Fehlstellen-Zentren zur Rekonstruktion dynamischer zweidimensionaler Magnetfelder nutzt, wobei in synthetischen Tests eine hohe räumliche Genauigkeit demonstriert wird, während gleichzeitig inhärente Kompromisse zwischen Empfindlichkeit und Leckage sowie die teilweise Identifizierbarkeit gemeinsamer Kopplungsparameter aufgedeckt werden.