15 mK-Level Accuracy in All-Optical NV Diamond Thermometry via Interpretable Deep Learning

Technische Zusammenfassung: 15 mK-Genauigkeit in der all-optischen NV-Diamant-Thermometrie mittels interpretierbarem Deep Learning

Problemstellung
Präzise Temperaturmessungen sind für Anwendungen, die von Quanteninformationssystemen bis hin zur industriellen Prozesssteuerung reichen, von entscheidender Bedeutung. Obwohl die Stickstoff-Fehlstellen-Zentren-Thermometrie (NV-Diamant-Thermometrie) in Diamanten eine vielversprechende Technik darstellt, litten all-optische Messverfahren (die auf Photolumineszenz [PL] basieren statt auf optisch detektierter Mikrowellenresonanz [ODMR]) historisch unter einer begrenzten Genauigkeit, die typischerweise bei ±3 % oder ±9 K um 300 K lag. Diese Einschränkung resultiert aus der Natur der spektralen Veränderungen bei erhöhten Temperaturen: Wenn die Temperatur steigt, verbreitert und rotverschiebt sich die Null-Phononen-Linie (ZPL) bei 637 nm, während die Phononenseitenband-Struktur (PSB) ausgeprägter wird. Diese Veränderungen führen zu Rauschen und Komplexität, mit denen traditionelle, durch Experten abgeleitete lineare Modelle, die auf isolierten Merkmalen wie der ZPL-Amplitude oder -Breite basieren, Schwierigkeiten bei der genauen Interpretation haben. Folglich bleibt der Nutzen von all-optischen NV-Sensoren für hochpräzise Anwendungen begrenzt.

Methodik
Die Studie evaluiert systematisch Machine-Learning- (ML) und Deep-Learning-Modelle zur Vorhersage der Temperatur aus den vollständigen PL-Spektren von drei fasergekoppelten NV-Sensoren (Sensoren A, B und C) über einen Temperaturbereich von 243 K bis 343 K. Der Versuchsaufbau beinhaltete die Erfassung von Spektren unter variierenden Bedingungen, einschließlich unterschiedlicher Akquisitionsraten, Spektralbereiche und Sensor-Konfigurationen (Bulk-Diamantpartikel vs. Chips).

Die Methodik vergleicht drei Kategorien von Ansätzen:

1. Expertenwissen-Modelle (EK-Modelle): Traditionelle lineare Regressionsmodelle basierend auf physikalisch motivierten Merkmalen (ZPL-Amplitude, Peak-Zentrum, Breite, Debye-Waller-Faktor und KL-Divergenz).
2. Unüberwachte Dimensionalitätsreduktion: Hauptkomponentenanalyse (PCA) und Autoencoder (AE), die niedrigdimensionale Repräsentationen ohne explizite Temperatur-Labels erlernen.
3. Überwachte Lernmodelle: Lineare Diskriminanzanalyse (LDA), Multi-Layer-Perzeptrone (MLP), Convolutional Neural Networks (CNN) und ein „optimiertes MLP“ (ein 6-schichtiges Netzwerk mit sigmoidalen Aktivierungsfunktionen).

Ein neuartiges Interpretierbarkeits-Framework, bezeichnet als „explainable modes of deviation“ (xMoDs), wurde eingeführt, um den latenten Raum dieser Modelle zu visualisieren. xMoDs projizieren die Aktivierungen der verborgenen Schichten oder der Outputs der Dimensionalitätsreduktion zurück auf den ursprünglichen Spektralraum, wodurch Forscher identifizieren können, welche spektralen Komponenten (z. B. ZPL-Verschiebungen, PSB-Änderungen oder Rauschartefakte) die Vorhersagen des Modells treiben. Zusätzlich wurden sparsame Regression und Distanzberechnungen verwendet, um die durch ML-Modelle gelernten Merkmale mit denen aus dem Expertenwissen zu vergleichen.

Kernergebnisse
Die Studie zeigt, dass Deep-Learning-Modelle sowohl Experten-abgeleitete lineare Modelle als auch einfachere ML-Techniken signifikant übertreffen:

• Verbesserung der Genauigkeit: Experten-abgeleitete univariate und multivariate Regressionsmodelle lieferten Testfehler zwischen 4,1 K und 19,6 K. Im Gegensatz dazu erreichte das optimale 6-schichtige MLP mit sigmoidaler Aktivierung einen durchschnittlichen Testfehler von ≈0,015 K (15 mK) für Sensor A. Dies stellt eine ≥200-fache Verbesserung gegenüber den besten multivariaten Regressionsmodellen und eine bis zu 600-fache Verbesserung gegenüber bisherigen all-optischen Ergebnissen dar.
• Modell-Leistungshierarchie: Das optimierte MLP (sigmoid) übertraf ReLU-basierte MLPs, welche wiederum CNNs, LDA, PCA und Autoencoder übertrafen. Bemerkenswerterweise lieferten unüberwachte Autoencoder im Vergleich zu PCA schlechtere Ergebnisse, was darauf hindeutet, dass das Rekonstruktionsziel von AEs „dunkle Variablen“ (nicht-thermische dynamische Informationen) beibehält, die für die Temperaturregression nachteilig sind.
• Sensor-Variabilität: Während Sensor A die höchste Genauigkeit (15 mK) erreichte, zeigten die Sensoren B und C höhere Fehler (0,28 K bzw. 0,80 K), was auf Unterschiede in den Versuchsbedingungen zurückzuführen ist, wie etwa dem Spektralbereich (Sensor B schloss längere PSB-Wellenlängen aus) und dem Photonenfluss (Sensor C hatte eine geringere Sammlungseffizienz).

Interpretierbarkeitsbefunde (xMoDs)
Die xMoD-Analyse zeigte deutliche Unterschiede darin, wie Modelle Daten verarbeiten:

• Unüberwacht vs. Überwacht: Unüberwachte Methoden (PCA, AE) erzeugten Modi, die stark mit Experten-Wissen-Merkmalen korrelierten (z. B. ZPL-Amplitude), was darauf hindeutet, dass sie die allgemeine Spektralvarianz erfassen. Überwachte Methoden (LDA, MLP) identifizierten distinkte latente Subräume, die spezifisch auf Temperatur optimiert sind und Teile des Spektrums (wie das langwellige PSB) ignorieren, die für unüberwachte Methoden zur Rekonstruktion wichtig waren.
• Rauschisolation: Die überlegene Leistung des optimierten MLP wurde seiner Fähigkeit zugeschrieben, nicht-thermische Artefakte zu isolieren. Seine xMoDs offenbarten die Detektion von „kosmischen Strahlungsspitzen“ und Streulichtereignissen (z. B. ein einzigartiger Spike jenseits von 775 nm), die andere Modelle entweder mittelten oder nicht unterscheiden konnten. Durch die Isolation dieser nicht-thermischen Ereignisse konnte das Modell deren Interferenz mit der Temperaturinferenz vermeiden.

Bedeutung und Ansprüche
Das Paper behauptet, dass tiefe neuronale Netze, wenn sie mit interpretierbaren Frameworks wie xMoDs kombiniert werden, das volle Potenzial der all-optischen NV-Thermometrie erschließen können. Die primäre Bedeutung liegt in:

1. Durchbrechen der Genauigkeitsbarriere: Das Erreichen einer Genauigkeit von 15 mK rückt die ML-gestützte all-optische Thermometrie in Wettbewerbsfähigkeit mit Legacy-Technologien (wie dünnschichtigen Widerstandsthermometern) und anderen aufkommenden Quantensensorik-Methoden.
2. Mechanistischer Einblick: Das xMoD-Framework bietet eine „spektroskopiererfreundliche“ Linse, um zu verstehen, warum Deep-Learning-Modelle erfolgreich sind, und geht damit über die Wahrnehmung einer „Black Box“ hinaus. Es zeigt, dass diese Modelle lernen, nicht-thermische Störungen herauszufiltern und sich auf spezifische, temperatur-sensitive spektrale Komponenten zu konzentrieren, die lineare Modelle übersehen.
3. Datengesteuerte Optimierung: Die Ergebnisse legen nahe, dass das gesamte NV-PL-Spektrum dynamische Informationen enthält, die für Feature-Engineering-Ansätze unzugänglich sind, was den Wechsel hin zu End-to-End-Deep-Learning für spektroskopische Regressionsaufgaben validiert.

Die Autoren kommen zu dem Schluss, dass nicht die Modellkomplexität allein eine Garantie für die Leistung ist (wie am Fall der unterperformenden Autoencoder ersichtlich), sondern dass die Kombination aus geeigneter Architektur (sigmoide MLPs), rigoroser Vorverarbeitung und Interpretierbarkeitswerkzeugen (xMoDs) essenziell ist, um eine hochpräzise, all-optische Temperaturmessung zu realisieren.