Bayesian quantum sensing using graybox machine learning

तकनीकी सारांश: ग्रेबॉक्स मशीन लर्निंग का उपयोग करके बेयसियन क्वांटम सेंसिंग

समस्या विवरण
क्वांटम सेंसर सामग्री विज्ञान से लेकर स्वास्थ्य सेवा तक के अनुप्रयोगों के लिए स्थानिक रिज़ॉल्यूशन और संवेदनशीलता में परिवर्तनकारी क्षमता प्रदान करते हैं। हालाँकि, आदर्श सैद्धांतिक मॉडलों और वास्तविक प्रयोगात्मक स्थितियों के बीच का अंतर उनकी व्यावहारिक तैनाती में बाधा डालता है। वास्तविक वातावरण में, सेंसर का प्रदर्शन अनमॉडल प्रभावों (unmodeled effects) के कारण कम हो जाता है, जिसमें अवस्था तैयारी (state preparation) की अपूर्णता, जटिल पर्यावरणीय अंतःक्रियाएं (शोर), बाहरी पैरामीटर निर्भरताएं (जैसे तापमान, कंपन), और गैर-आदर्श नियंत्रण क्षेत्र (पल्स विरूपण) शामिल हैं।

ये अशुद्धियाँ विशेष रूप से बेयसियन अनुमान (Bayesian inference) के लिए हानिकारक हैं, जो अनुकूलतम पैरामीटर अनुमान और अनुकूली नियंत्रण (adaptive control) के लिए उपयोग किया जाने वाला एक संभाव्यता ढांचा है। बेयसियन विधियाँ अज्ञात मापदंडों के बारे में विश्वास को अपडेट करने के लिए एक "लाइकलीहुड" (likelihood) फंक्शन पर निर्भर करती हैं। यदि सेंसर का अंतर्निहित मॉडल प्रयोगात्मक वास्तविकता का सही ढंग से प्रतिनिधित्व नहीं करता है, तो लाइकलीहुड फंक्शन गलत हो जाता है, जिससे उप-इष्टतम नियंत्रण निर्णय, संख्यात्मक अस्थिरता और अनुमान सटीकता में गिरावट आती है। विशुद्ध रूप से विश्लेषणात्मक ("व्हाइटबॉक्स") मॉडल अक्सर इन जटिल गैर-आदर्शताओं को पकड़ने में विफल रहते हैं, जबकि पूरी तरह से डेटा-संचालित ("ब्लैकबॉक्स") डीप लर्निंग मॉडल के लिए अत्यधिक प्रशिक्षण डेटा की आवश्यकता होती है और उनमें भौतिक व्याख्यात्मकता का अभाव होता है, जिससे वे कई क्वांटम सेंसिंग कार्यों के लिए अव्यवहारिक हो जाते हैं।

कार्यप्रणाली (Methodology)
लेखक एक "ग्रेबॉक्स" (GB) मॉडलिंग रणनीति का प्रस्ताव करते हैं जो एक भौतिकी-आधारित सिस्टम मॉडल को प्रयोगात्मक खामियों के डेटा-संचालित विवरण के साथ एकीकृत करती है। इस दृष्टिकोण को एक ठोस अवस्था ओपन क्वांटम सिस्टम पर प्रयोगात्मक रूप से मान्य किया गया है: एक डायमंड में एकल नाइट्रोजन-वैकेंसी (NV) केंद्र, जिसका उपयोग रैमसे इंटरफेरोमेट्री (Ramsey interferometry) के माध्यम से एक स्थिर चुंबकीय क्षेत्र का अनुमान लगाने के लिए किया गया है।

1. सैद्धांतिक ढांचा:

   • व्हाइटबॉक्स (WB) बेसलाइन: लेखक पहले रैमसे प्रयोग के हैमिल्टोनियन (Hamiltonian) से प्राप्त एक मानक भौतिकी-आधारित मॉडल स्थापित करते हैं। यह मॉडल अवस्था तैयारी की अपूर्णता और रीडआउट खामियों जैसी ज्ञात त्रुटियों को ध्यान में रखता है, लेकिन आदर्श नियंत्रण पल्स और सरलीकृत शोर मॉडलों को मानता है।
   • ग्रेबॉक्स आर्किटेक्चर: प्रस्तावित GB मॉडल एक "ब्लैकबॉक्स" (BB) न्यूरल नेटवर्क को "व्हाइटबॉक्स" (WB) भौतिक परतों के साथ जोड़ता है।
     • इनपुट: आदर्श पल्स पैरामीटर (विलंब $\tau$, चरण $\phi$, लार्मर फ्रीक्वेंसी $f_B$), बाहरी पैरामीटर ($\vec{\chi}$), और डिटेक्टर कैलिब्रेशन गुणांक ($\pi_0, \pi_1$)।
     • ब्लैकबॉक्स घटक: एक डीप न्यूरल नेटवर्क (8 परतें) शोर ऑपरेटर ($\hat{V}_Z$) के मैट्रिक्स पैरामीट्राइजेशन की भविष्यवाणी करने के लिए इनपुट को प्रोसेस करता है। यह घटक शोर, अपूर्ण पल्स और पर्यावरणीय कारकों के कारण होने वाले अज्ञात विचलन को सीधे डेटा से सीखता है।
     • व्हाइटबॉक्स घटक: नेटवर्क आउटपुट को भौतिक परतों के साथ एकीकृत किया जाता है जो आदर्श रैमसे यूनिटरी इवोल्यूशन को पुनर्गठित करती है और अपेक्षित मान $\langle Z \rangle$ की गणना करने के लिए शोर ऑपरेटर को लागू करती है।
     • आउटपुट: अंतिम परत डिटेक्टर क्लिक की प्रायिकता ($P_{cl}$) की गणना करती है (कैलिब्रेटेड रीडआउट मॉडल का उपयोग करके), जो प्रभावी रूप से एक अत्यधिक सटीक लाइकलीहुड फंक्शन $P(r|f_B)$ उत्पन्न करती है।

2. प्रयोगात्मक प्रोटोकॉल:

   • डेटा अधिग्रहण: प्रयोग कमरे के तापमान पर एक एकल NV केंद्र पर किए गए थे। लगभग 10,000 बिंदुओं का एक डेटासेट एकत्र किया गया, जिसमें अलग-अलग विलंब और चरणों के साथ यादृच्छिक (randomized) रैमसे अनुक्रम शामिल थे।
   • प्रशिक्षण: GB मॉडल को dected click probability और प्रयोगात्मक रूप से मापी गई probability के बीच मीन स्क्वेर्ड एरर (MSE) के लॉगरिदम पर आधारित लॉस फंक्शन का उपयोग करके प्रशिक्षित किया गया था। डेटासेट को 90/10 के अनुपात में प्रशिक्षण और परीक्षण के लिए विभाजित किया गया था।
   • बेयसियन अनुमान: प्रशिक्षित GB मॉडल को एक बेयसियन इन्फरेंस लूप में एम्बेड किया गया था। एक समान प्रायर (uniform prior) से शुरू करते हुए, एल्गोरिदम ने अज्ञात लार्मर फ्रीक्वेंसी के अज्ञात पैरामीटर के अज्ञात वितरण को अपडेट करने के लिए, GB-व्युत्पन्न लाइकलीहुड फंक्शन का उपयोग करके, मापन परिणामों के आधार पर पुनरावृत्ति की।

प्रमुख योगदान

• प्रथम प्रयोगात्मक प्रदर्शन: यह कार्य एक ठोस अवस्था ओपन क्वांटम सिस्टम के लिए ग्रेबॉक्स मॉडलिंग रणनीति के पहले प्रयोगात्मक कार्यान्वयन को प्रस्तुत करता है। पिछले अनुप्रयोग इस ढांचे तक सीमित थे या केवल संख्यात्मक सिमुलेशन या फोटोनिक सर्किट तक ही सीमित थे।
• हाइब्रिड मॉडलिंग फ्रेमवर्क: लेखक शोर ऑपरेटर फॉर्मलिज्म के साथ मशीन लर्निंग के एक कठोर एकीकरण को प्रदर्शित करते हैं, जिससे मॉडल जटिल, नॉन-मार्कोवियन गतिकी और पल्स विरूपण को पकड़ सकता है जिन्हें विश्लेषणात्मक रूप से चरित्रित करना कठिन है।
• बेहतर लाइकलीहुड फंक्शन्स: पूर्व प्रयोगात्मक डेटा पर मॉडल को प्रशिक्षित करके, GB दृष्टिकोण एक ऐसा लाइकलीहुड फंक्शन उत्पन्न करता है जो विशुद्ध रूप से विश्लेषणात्मक मॉडलों की तुलना में काफी अधिक सटीक है, जो सीधे मानक बेयसियन अनुमान की विफलता मोडों को संबोधित करता है।

परिणाम
GB मॉडल के प्रदर्शन का बेंचमार्क उसी प्रयोगात्मक डेटा का उपयोग करके एक मानक व्हाइटबॉक्स मॉडल के विरुद्ध चुंबकीय क्षेत्र अनुमान के लिए किया गया।

• सटीकता: GB मॉडल ने व्हाइटबॉक्स मॉडल की तुलना में कई क्रमों (orders of magnitude) का औसत वर्ग त्रुटि (MSE) सुधार दिया। GB मॉडल के लिए MSE का वितरण $10^{-5}$ (MHz)$^2$ के आसपास केंद्रित था, जबकि व्हाइटबॉक्स मॉडल $10$ (MHz)$^2$ के आसपास केंद्रित था।
• अभिसरण (Convergence): जबकि अनुमानों के वेरिएंस ने संकेत दिया कि दोनों मॉडलों के लिए बेयसियन प्रक्रिया अभिसरित हुई, व्हाइटबॉक्स मॉडल अक्सर मॉडल मिसमैच के कारण गलत मानों पर अभिसरित हुआ। GB मॉडल 159 में से 156 टेस्ट केस में सही फ्रीक्वेंसी पर सफलतापूर्वक अभिसरित हुआ।
• मजबूती (Robustness): यहाँ तक कि उन सबसे खराब परिदृश्यों में भी जहाँ GB मॉडल पूरी तरह से अभिसरित नहीं हुआ, अनुमान त्रुटि व्हाइटबॉक्स दृष्टिकोण की तुलना में काफी कम रही।

महत्व
यह पेपर दावा करता है कि यह कार्य वास्तविक वातावरण में क्वांटम सेंसर के प्रदर्शन को बेहतर बनाने के लिए एक ढांचा स्थापित करता है। इसका महत्व इस बात में निहित है कि ग्रेबॉक्स मॉडल, पूरी तरह से ब्लैकबॉक्स दृष्टिकोणों की अत्यधिक डेटा आवश्यकताओं के बिना, सैद्धांतिक भौतिकी और प्रयोगात्मक वास्तविकता के बीच के अंतर को पाट सकते हैं।

• अनुकूली नियंत्रण (Adaptive Control): लेखक इस बात पर जोर देते हैं कि सटीक भविष्य कहने वाले मॉडल वास्तविक समय के अनुकूली प्रोटोकॉल के लिए महत्वपूर्ण हैं। यहाँ तक कि मामूली मॉडल अशुद्धियाँ भी अस्थिर नियंत्रण लूप की ओर ले जा सकती हैं; GB दृष्टिकोण इस जोखिम को कम करता है।
• स्केलेबिलिटी: इस पद्धति को सिंगल-स्पिन सिस्टम से परे विभिन्न क्वांटम सेंसिंग प्लेटफॉर्म के लिए व्यापक रूप से लागू करने योग्य बताया गया है। लेखक सुझाव देते हैं कि अधिक जटिल पल्स अनुक्रमों (जैसे मल्टी-पल्स डायनेमिकल डिकपलिंग) के लिए कम्प्यूटेशनल आवश्यकताओं को बेस यूनिट्स के लिए छोटे, मॉड्यूलर ब्लैकबॉक्स घटकों को प्रशिक्षित करके प्रबंधित किया जा सकता है।
• भविष्य का एकीकरण: यह कार्य ग्रेबॉक्स मॉडलों को वास्तविक समय के बेयसियन एक्सपेरिमेंट डिज़ाइन और सुदृढीकरण शिक्षण (reinforcement learning) के साथ एकीकृत करने की नींव रखता है, जहाँ मॉडल की डिफरेंशिएबल प्रकृति सूचना-सैद्धांतिक मात्राओं जैसे फिशर इंफॉर्मेशन (Fisher information) के अनुकूलन की अनुमति देती है।

लेखक डेटा अधिग्रहण समय के संबंध में विनम्र बने हुए हैं, यह नोट करते हुए कि अंशांकन (calibration) और ड्रिफ्ट के कारण 10,000-पॉइंट डेटासेट एकत्र करने में कई सप्ताह लगे, हालांकि वे सुझाव देते हैं कि ऑप्टिकल सुधारों से इसे एक घंटे से कम में किया जा सकता है। वे निष्कर्ष निकालते हैं कि यह दृष्टिकोण स्केलेबल, व्याख्यात्मक और उच्च-प्रदर्शन वाली क्वांटम सेंसिंग के लिए एक प्रमुख बिल्डिंग ब्लॉक प्रदान करता है।