Sequential Spatiotemporal Magnetic-Field Reconstruction via Quantum Hamiltonian Learning with NV-Center Spin-1 Hamiltonians
Este artículo propone un marco bayesiano secuencial que utiliza el aprendizaje del Hamiltoniano cuántico y la dinámica de espín de centros de vacante de nitrógeno para reconstruir campos magnéticos dinámicos bidimensionales, demostrando una alta precisión espacial en pruebas sintéticas mientras revela compensaciones inherentes entre la sensibilidad y la fuga, así como la identificabilidad parcial de los parámetros de acoplamiento compartidos.