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

तकनीकी सारांश: व्याख्या योग्य डीप लर्निंग के माध्यम से ऑल-ऑप्टिकल एनवी (NV) डायमंड थर्मोमेट्री में 15 mK-स्तर की सटीकता

समस्या विवरण
सटीक तापमान मापन क्वांटम सूचना प्रणालियों से लेकर औद्योगिक प्रक्रिया नियंत्रण तक के अनुप्रयोगों के लिए महत्वपूर्ण है। जबकि नाइट्रोजन-वैकेंसी (NV) डायमंड थर्मोमेट्री एक आशाजनक तकनीक के रूप में उभरी है, ऑल-ऑप्टिकल सेंसिंग विधियाँ (जो ऑप्टिकली डिटेक्टेड मैग्नेटिक रेजोनेंस (ODMR) के बजाय फोटोल्यूमिनेसेंस (PL) पर निर्भर करती हैं) ऐतिहासिक रूप से सीमित सटीकता से ग्रस्त रही हैं, जो आमतौर पर 300 K के आसपास ±3% या ±9 K तक सीमित रहती है। यह सीमा उच्च तापमान पर स्पेक्ट्रल परिवर्तनों की प्रकृति से उत्पन्न होती है: जैसे-जैसे तापमान बढ़ता है, ज़ीरो-फोनोन लाइन (ZPL) 637 nm पर चौड़ी और रेडशिफ्ट (लाल रंग की ओर विस्थापित) होती है, जबकि फोनन साइडबैंड (PSB) अधिक प्रमुख हो जाता है। ये परिवर्तन शोर और जटिलता उत्पन्न करते हैं, जिसे पारंपरिक विशेषज्ञ-व्युत्पन्न रैखिक मॉडल, जो ZPL आयाम या चौड़ाई जैसे अलग-थलग विशेषताओं पर निर्भर करते हैं, सटीक रूप से व्याख्या करने में संघर्ष करते हैं। फलस्वरूप, उच्च-परिशुद्धता वाले अनुप्रयोगों के लिए ऑल-ऑप्टिकल एनवी सेंसरों की उपयोगिता सीमित बनी हुई है।

कार्यप्रणाली
यह अध्ययन तीन फाइबर-कपल्ड एनवी सेंसरों (सेंसर A, B और C) के पूर्ण PL स्पेक्ट्रा से तापमान की भविष्यवाणी करने के लिए मशीन लर्निंग (ML) और डीप लर्निंग मॉडलों का व्यवस्थित मूल्यांकन करता है, जो 243 K से 343 K के तापमान रेंज में कार्य करते हैं। प्रायोगिक सेटअप में विभिन्न स्थितियों, जैसे कि अधिग्रहण दर (acquisition rates), स्पेक्ट्रल रेंज और सेंसर कॉन्फ़िगरेशन (बल्क डायमंड कण बनाम चिप्स) के तहत स्पेक्ट्रा प्राप्त करना शामिल था।

कार्यप्रणाली तीन श्रेणियों के दृष्टिकोणों की तुलना करती है:

1. विशेषज्ञ ज्ञान (EK) मॉडल: भौतिक रूप से प्रेरित विशेषताओं (ZPL आयाम, पीक सेंटर, चौड़ाई, डेबाई-वॉलर फैक्टर और KL डाइवर्जेंस) पर आधारित पारंपरिक रैखिक प्रतिगमन (linear regression) मॉडल।
2. अनसुपरवाइज्ड डाइमेंशनैलिटी रिडक्शन: प्रिंसिपल कंपोनेंट एनालिसिस (PCA) और ऑटोएनकोडर (AE), जो स्पष्ट तापमान लेबल के बिना निम्न-आयामी निरूपण सीखते हैं।
3. सुपरवाइज्ड लर्निंग मॉडल: लीनियर डिस्क्रिमिनेंट एनालिसिस (LDA), मल्टी-लेयर पर्सेप्ट्रॉन्स (MLP), कनवल्शनल न्यूरल नेटवर्क (CNN), और एक "ऑप्टिमाइज्ड MLP" (सिग्मोइडल एक्टिवेशन फंक्शन वाला एक 6-लेयर नेटवर्क)।

एक नवीन व्याख्यात्मक ढांचा, जिसे "एक्सप्लेनेबल मोड्स ऑफ डेविएशन" (xMoDs) कहा गया, को मॉडलों के लेटेंट स्पेस (latent space) को विज़ुअलाइज़ करने के लिए पेश किया गया। xMoDs मॉडलों के हिडन लेयर्स या डाइमेंशनैलिटी रिडक्शन आउटपुट्स के एक्टिवेशन को मूल स्पेक्ट्रल स्पेस पर वापस प्रोजेक्ट करते हैं, जिससे शोधकर्ताओं को यह पहचानने में मदद मिलती है कि कौन से स्पेक्ट्रल घटक (जैसे ZPL शिफ्ट, PSB परिवर्तन, या शोर आर्टिफैक्ट्स) मॉडल के अनुमानों को संचालित करते हैं। इसके अतिरिक्त, ML मॉडलों द्वारा सीखे गए फीचर्स की विशेषज्ञ ज्ञान से प्राप्त फीचर्स के साथ तुलना करने के लिए स्पार्स रिग्रेशन और डिस्टेंस कंप्यूटेशन का उपयोग किया गया।

मुख्य परिणाम
अध्ययन प्रदर्शित करता है कि डीप लर्निंग मॉडल विशेषज्ञ-व्युत्पन्न रैखिक मॉडलों और सरल ML तकनीकों दोनों की तुलना में काफी बेहतर प्रदर्शन करते हैं:

• सटीकता में सुधार: विशेषज्ञ-व्युत्पन्न यूनिवेरिएट और मल्टीवेरिएट रिग्रेशन मॉडलों ने 4.1 K और 19.6 K के बीच टेस्टिंग एरर दिया। इसके विपरीत, सिग्मोइडल एक्टिवेशन वाले इष्टतम 6-लेयर MLP ने सेंसर A के लिए औसतन ≈0.015 K (15 mK) का औसत टेस्टिंग एरर प्राप्त किया। यह सर्वश्रेष्ठ मल्टीवेरिएट रिग्रेशन मॉडलों की तुलना में ≥200-गुना सुधार और पिछले ऑल-ऑप्टिकल परिणामों की तुलना में 600-गुना सुधार का प्रतिनिधित्व करता है।
• मॉडल प्रदर्शन पदानुक्रम: सिग्मोइडल वाले ऑप्टिमाइज्ड MLP ने ReLU-आधारित MLPs से बेहतर प्रदर्शन किया, जिन्होंने CNN, LDA, PCA और ऑटोएनकोडर्स से बेहतर प्रदर्शन किया। उल्लेखनीय रूप से, अनसुपरवाइज्ड ऑटोएनकोडर्स, PCA की तुलना में खराब प्रदर्शन करते हैं, जो यह सुझाव देता है कि AEs का रिकंस्ट्रक्शन ऑब्जेक्ट उन "डार्क वेरिएबल्स" (गैर-थर्मल डायनेमिक जानकारी) को बनाए रखता है जो तापमान रिग्रेशन के लिए हानिकारक हैं।
• सेंसर परिवर्तनशीलता: जबकि सेंसर A ने उच्चतम सटीकता (15 mK) प्राप्त की, सेंसर B और C ने क्रमशः 0.28 K और 0.80 K का उच्च एरर दिखाया, जिसका कारण स्पेक्ट्रल रेंज (सेंसर B ने लंबे तरंगदैर्ध्य वाले PSB को बाहर कर दिया) और फोटॉन फ्लक्स (सेंसर C में कम कलेक्शन एफिशिएंसी थी) जैसे प्रयोगात्मक अंतर थे।

व्याख्यात्मक निष्कर्ष (xMoDs)
xMoD विश्लेषण ने यह स्पष्ट किया कि मॉडल डेटा को कैसे संसाधित करते हैं:

• अनसुपरवाइज्ड बनाम सुपरवाइज्ड: अनसुपरवाइज्ड विधियों (PCA, AE) ने विशेषज्ञ ज्ञान के फीचर्स (जैसे ZPL आयाम) के साथ अत्यधिक सह-संबंध वाले मोड्स उत्पन्न किए, जो यह दर्शाता है कि वे सामान्य स्पेक्ट्रल वेरिएंस को कैप्चर करते हैं। सुपरवाइज्ड विधियों (LDA, MLP) ने विशिष्ट तापमान के लिए अनुकूलित अलग-अलग लेटेंट सबस्पेस की पहचान की, जो अक्सर उन हिस्सों (जैसे लंबा-तरंगदैर्ध्य वाला PSB) को अनदेखा कर देते हैं जिन्हें अनसुपरवाइज्ड विधियां पुनर्निर्माण के लिए महत्वपूर्ण मानती हैं।
• शोर अलगाव (Noise Isolation): ऑप्टिमाइज्ड MLP के बेहतर प्रदर्शन का श्रेय गैर-थर्मल आर्टिफैक्ट्स को अलग करने की इसकी क्षमता को दिया गया। इसके xMoDs ने "कॉस्मिक रे" स्पाइक्स और स्ट्रै लाइट इवेंट्स (जैसे 775 nm के बाद एक अद्वितीय स्पाइक) का पता लगाया जिन्हें अन्य मॉडल या तो औसत (average out) कर देते थे या पहचानने में विफल रहते थे। इन गैर-थर्मल इवेंट्स को अलग करके, मॉडल ने तापमान अनुमान में उनके हस्तक्षेप से बचने में सफलता प्राप्त की।

महत्व और दावे
पेपर का दावा है कि डीप न्यूरल नेटवर्क, जब xMoDs जैसे व्याख्या योग्य फ्रेमवर्क के साथ जोड़े जाते हैं, तो ऑल-ऑप्टिकल NV थर्मोमेट्री की पूरी क्षमता को अनलॉक कर सकते हैं। प्राथमिक महत्व इस बात में है:

1. सटीकता की बाधा को तोड़ना: 15 mK की सटीकता प्राप्त करना ऑल-ऑप्टिकल NV थर्मोमेट्री को लीगेसी तकनीकों (जैसे थिन-फिल्म रेजिस्टेंस थर्मोमीटर) और अन्य उभरती क्वांटम सेंसिंग विधियों के प्रतिस्पर्धी स्तर पर रखता है।
2. मैकेनिस्टिक अंतर्दृष्टि: xMoD फ्रेमवर्क एक "स्पेक्ट्रोस्कोपिस्ट-फ्रेंडली" लेंस प्रदान करता है ताकि यह समझा जा सके कि डीप मॉडल क्यों सफल होते हैं, जो "ब्लैक बॉक्स" धारणा से आगे बढ़ता है। यह प्रदर्शित करता है कि ये मॉडल गैर-थर्मल शोर को फ़िल्टर करने और उन विशिष्ट, तापमान-संवेदनशील स्पेक्ट्रल घटकों पर ध्यान केंद्रित करने के लिए सीख रहे हैं जिन्हें रैखिक मॉडल मिस कर देते हैं।
3. डेटा-संचालित अनुकूलन: परिणाम बताते हैं कि संपूर्ण NV-PL स्पेक्ट्रम में तापमान से संबंधित गतिशील जानकारी मौजूद है जो फीचर-इंजीनियर्ड दृष्टिकोणों के लिए अप्राप्य है, जो स्पेक्ट्रोस्कोपिक रिग्रेशन कार्यों के लिए एंड-टू-एंड डीप लर्निंग की ओर बदलाव को प्रमाणित करता है।

लेखक निष्कर्ष निकालते हैं कि हालांकि मॉडल की जटिलता प्रदर्शन की गारंटी नहीं है (जैसा कि कम प्रदर्शन करने वाले ऑटोएनकोडर्स के मामले में देखा गया है), लेकिन उपयुक्त आर्किटेक्चर (सिग्मोइडल MLPs), कठोर प्रीप्रोसेसिंग और व्याख्यात्मक उपकरणों (xMoDs) का संयोजन उच्च-परिशुद्धता, ऑल-ऑप्टिकल तापमान सेंसिंग को साकार करने के लिए आवश्यक है।