Bayesian quantum sensing using graybox machine learning

Résumé Technique : Détection Quantique Bayésienne utilisant l'Apprentissage Automatique « Graybox »

Énoncé du Problème
Les capteurs quantiques offrent un potentiel transformateur en termes de résolution spatiale et de sensibilité pour des applications allant de la science des matériaux à la santé. Cependant, leur déploiement pratique est entravé par le fossé entre les modèles théoriques idéalisés et les conditions expérimentales réelles. Dans des environnements réalistes, les performances des capteurs sont dégradées par des effets non modélisés, notamment les imperfections de préparation d'état, les interactions environnementales complexes (bruit), les dépendances aux paramètres externes (ex: température, vibrations) et les champs de contrôle non idéaux (distorsions d'impulsions).

Ces imprécisions sont particulièrement préjudiciables à l'inférence bayésienne, un cadre probabiliste utilisé pour l'estimation optimale de paramètres et le contrôle adaptatif. Les méthodes bayésiennes reposent sur une fonction de « vraisemblance » (likelihood) pour mettre à jour les croyances concernant des paramètres inconnus sur la base de données de mesure. Si le modèle sous-jacent du capteur ne représente pas fidèlement la réalité expérimentale, la fonction de vraisemblance devient inexacte, entraînant des décisions de contrôle sous-optimales, une instabilité numérique et une précision d'estimation dégradée. Les modèles purement analytiques (« whitebox » ou boîte blanche) échouent souvent à capturer ces non-idéalités complexes, tandis que les modèles d'apprentissage profond entièrement pilotés par les données (« blackbox » ou boîte noire) nécessitent un volume excessif de données d'entraînement et manquent d'interprétabilité physique, ce qui les rend peu pratiques pour de nombreuses tâches de détection quantique.

Méthodologie
Les auteurs proposent une stratégie de modélisation « graybox » (boîte grise) qui intègre un modèle de système basé sur la physique avec une description pilotée par les données des imperfections expérimentales. Cette approche est validée expérimentalement sur un système quantique ouvert à l'état solide : un centre azote-lacune (NV) unique dans le diamant utilisé pour estimer un champ magnétique statique via l'interférométrie de Ramsey.

1. Cadre Théorique :

   • Référence Whitebox (WB) : Les auteurs établissent d'abord un modèle standard basé sur la physique dérivé de l'Hamiltonien de l'expérience de Ramsey. Ce modèle prend en compte les erreurs connues comme l'infidélité de la préparation d'état et les imperfections de lecture, mais suppose des impulsions de contrôle idéales et des modèles de bruit simplifiés.
   • Architecture Graybox : Le modèle GB proposé combine un réseau de neurones « blackbox » (BB) avec des couches physiques « whitebox » (WB).
     • Entrées : Paramètres d'impulsion idéaux (délai $\tau$, phase $\phi$, fréquence de Larmor $f_B$), paramètres externes ($\vec{\chi}$), et coefficients de calibration du détecteur ($\pi_0, \pi_1$).
     • Composante Blackbox : Un réseau de neurones profonds (8 couches) traite les entrées pour prédire la paramétrisation matricielle d'un opérateur de bruit ($\hat{V}_Z$). Cette composante apprend les écarts inconnus causés par le bruit, les impulsions imparfaites et les facteurs environnementaux directement à partir des données.
     • Composante Whitebox : La sortie du réseau est intégrée à des couches physiques qui reconstruisent l'évolution unitaire de Ramsey idéale et appliquent l'opérateur de bruit pour calculer la valeur d'espérance $\langle Z \rangle$.
     • Sortie : La couche finale calcule la probabilité d'un clic du détecteur ($P_{cl}$) en utilisant le modèle de lecture calibré, générant ainsi une fonction de vraisemblance $P(r|f_B)$ hautement précise.

2. Protocole Expérimental :

   • Acquisition de Données : Les expériences ont été menées sur un centre NV unique à température ambiante. Un ensemble de données d'environ 10 000 points a été collecté, comprenant des séquences de Ramsey randomisées avec des délais et des phases variables.
   • Entraînement : Le modèle GB a été entraîné à l'aide d'une fonction de perte basée sur le logarithme de l'erreur quadratique moyenne (MSE) entre la probabilité de clic prédite et la probabilité mesurée expérimentalement. Le jeu de données a été divisé en 90/10 pour l'entraînement et le test.
   • Estimation Bayésienne : Le modèle GB entraîné a été intégré dans une boucle d'inférence bayésienne. Partant d'un a priori uniforme, l'algorithme met à jour de manière itérative la distribution a posteriori de la fréquence de Larmor inconnue en se basant sur les résultats de mesure, utilisant la fonction de vraisemblance dérivée du GB.

Contributions Clés

• Première Démonstration Expérimentale : Ce travail présente la première implémentation expérimentale d'une stratégie de modélisation graybox pour un système quantique ouvert à l'état solide. Les applications précédentes de ce cadre étaient limitées aux simulations numériques ou aux circuits photoniques.
• Cadre de Modélisation Hybride : Les auteurs démontrent une intégration rigoureuse du formalisme de l'opérateur de bruit avec l'apprentissage automatique, permettant au modèle de capturer des dynamiques non markoviennes complexes et des distorsions d'impulsions difficiles à caractériser analytiquement.
• Fonctions de Vraisemblance Améliorées : En s'entraînant sur des données expérimentales préalables, l'approche GB génère une fonction de vraisemblance nettement plus précise que les modèles purement analytiques, répondant directement aux modes de défaillance de l'inférence bayésienne standard dans des environnements bruités.

Résultats
La performance du modèle GB a été comparée à un modèle whitebox standard utilisant les mêmes données expérimentales pour l'estimation du champ magnétique.

• Précision : Le modèle GB a produit une amélioration de l'erreur quadratique moyenne (MSE) de plusieurs ordres de grandeur par rapport au modèle whitebox. La distribution de la MSE pour le modèle GB était centrée autour de $10^{-5}$ (MHz)$^2$, alors que celle du modèle whitebox était centrée autour de $10$ (MHz)$^2$.
• Convergence : Bien que la variance des estimations indique que la procédure bayésienne converge pour les deux modèles, le modèle whitebox converge fréquemment vers des valeurs inexactes en raison d'un décalage de modèle. Le modèle GB a réussi à converger vers la fréquence réelle dans 156 cas sur 159 tests.
• Robustesse : Même dans les scénarios les plus défavorables où le modèle GB ne convergeait pas totalement, l'erreur d'estimation restait significativement plus faible que celle de l'approche whitebox.

Signification
L'article affirme que ce travail établit un cadre pour améliorer les performances des capteurs quantiques dans des environnements réels. La signification réside dans la démonstration que les modèles graybox peuvent combler le fossé entre la physique théorique et la réalité expérimentale sans les exigences de données prohibitives des approches entièrement blackbox.

• Contrôle Adaptatif : Les auteurs soulignent que des modèles prédictifs précis sont critiques pour les protocoles adaptatifs en temps réel. Même de modestes inexactitudes de modèle peuvent conduire à des boucles de contrôle instables ; l'approche GB atténue ce risque.
• Scalabilité : La méthode est présentée comme largement applicable à diverses plateformes de détection quantique au-delà des systèmes à spin unique. Les auteurs suggèrent que les exigences de calcul pour des séquences d'impulsions plus complexes (ex: décohérence dynamique multi-impulsions) pourraient être gérées en entraînant des composants blackbox plus petits et modulaires pour les unités de base.
• Intégration Future : Ce travail pose les jalons de l'intégration des modèles graybox avec la conception d'expériences bayésiennes en temps réel et l'apprentissage par renforcement, où la nature différentiable du modèle permet l'optimisation de quantités information-théoriques comme l'information de Fisher.

Les auteurs restent modestes concernant le temps d'acquisition des données, notant que la collecte du jeu de données de 10 000 points a pris plusieurs semaines en raison de la calibration et de la dérive, bien qu'ils suggèrent que des améliorations optiques pourraient réduire cela à moins d'une heure. Ils concluent que cette approche fournit un bloc de construction essentiel pour une détection quantique scalable, interprétable et de haute performance.