Bayesian quantum sensing using graybox machine learning

Sintesi Tecnica: Sensori Quantistici Bayesiani mediante Apprendimento Automatico Graybox

Problematica
I sensori quantistici offrono un potenziale trasformativo in termini di risoluzione spaziale e sensibilità per applicazioni che spaziano dalla scienza dei materiali alla sanità. Tuttavia, la loro implementazione pratica è ostacolata dal divario tra i modelli teorici idealizzati e le condizioni sperimentali reali. In ambienti realistici, le prestazioni del sensore sono degradate da effetti non modellati, tra cui imperfezioni nella preparazione dello stato, interazioni ambientali complesse (rumore), dipendenze da parametri esterni (ad esempio, temperatura, vibrazioni) e campi di controllo non ideali (distorsioni degli impulsi).

Queste imprecisioni sono particolarmente dannose per l'inferenza bayesiana, un quadro probabilistico utilizzato per la stima ottimale dei parametri e il controllo adattivo. I metodi bayesiani si basano su una funzione di "verosimiglianza" (likelihood) per aggiornare le credenze su parametri sconosciuti sulla base di dati di misurazione. Se il modello sottostante del sensore non rappresenta fedelmente la realtà sperimentale, la funzione di verosimiglianza diventa inaccurata, portando a decisioni di controllo subottimali, instabilità numerica e una degradazione dell'accuratezza della stima. I modelli puramente analitici ("whitebox") spesso non riescono a catturare queste complesse non-idealità, mentre i modelli di deep learning completamente guidati dai dati ("blackbox") richiedono una quantità eccessiva di dati di addestramento e mancano di interpretabilità fisica, rendendoli poco pratici per molte attività di sensing quantistico.

Metodologia
Gli autori propongono una strategia di modellazione "graybox" (GB) che integra un modello di sistema basato sulla fisica con una descrizione guidata dai dati delle imperfezioni sperimentali. Questo approccio è validato sperimentalmente su un sistema quantistico aperto a stato solido: un singolo centro azoto-vacanza (NV) nel diamante utilizzato per stimare un campo magnetico statico tramite interferometria Ramsey.

1. Framework Teorico:

   • Baseline Whitebox (WB): Gli autori stabiliscono innanzitutto un modello standard basato sulla fisica derivato dall'Hamiltoniana dell'esperimento Ramsey. Questo modello tiene conto di errori noti come l'infedeltà della preparazione dello stato e le imperfezioni della lettura, ma assume impulsi di controllo ideali e modelli di rumore semplificati.
   • Architettura Graybox: Il modello GB proposto combina una rete neurale "blackbox" (BB) con strati fisici "whitebox" (WB).
     • Input: Parametri di impulso ideali (ritardo $\tau$, fase $\phi$, frequenza di Larmor $f_B$), parametri esterni ($\vec{\chi}$) e coefficienti di calibrazione del detector ($\pi_0, \pi_1$).
     • Componente Blackbox: Una rete neurale profonda (8 strati) elabora gli input per predire la parametrizzazione matriciale di un operatore di rumore ($\hat{V}_Z$). Questa componente apprende le deviazioni sconosciute causate dal rumore, dagli impulsi imperfetti e dai fattori ambientali direttamente dai dati.
     • Componente Whitebox: L'output della rete viene integrato con strati fisici che ricostruiscono l'evoluzione unitaria ideale di Ramsey e applicano l'operatore di rumore per calcolare il valore di aspettazione $\langle Z \rangle$.
     • Output: L'ultimo strato calcola la probabilità di un segnale del detector ($P_{cl}$) utilizzando il modello di lettura calibrato, generando efficacemente una funzione di verosimiglianza altamente accurata $P(r|f_B)$.

2. Protocollo Sperimentale:

   • Acquisizione Dati: Gli esperimenti sono stati condotti su un singolo centro NV a temperatura ambiente. È stato raccolto un dataset di circa 10.000 punti, comprendente sequenze Ramsey randomizzate con ritardi e fasi variabili.
   • Addestramento: Il modello GB è stato addestrato utilizzando una funzione di perdita basata sul logaritmo dell'Errore Quadratico Medio (MSE) tra la probabilità di click predetta e la probabilità misurata sperimentalmente. Il dataset è stato diviso al 90/10 per l'addestramento e il test.
   • Stima Bayesiana: Il modello GB addestrato è stato inserito in un ciclo di inferenza bayesiana. Partendo da una prior uniforme, l'algoritmo ha aggiornato iterativamente la distribuzione a posteriori della frequenza di Larmor sconosciuta in base ai risultati di misurazione, utilizzando la funzione di verosimiglianza derivata dal GB.

Contributi Chiave

• Prima Dimostrazione Sperimentale: Questo lavoro presenta la prima implementazione sperimentale di una strategia di modellazione graybox per un sistema quantistico aperto a stato solido. Le applicazioni precedenti di questo framework erano limitate a simulazioni numeriche o circuiti fotonici.
• Framework di Modellazione Ibrida: Gli autori dimostrano una rigorosa integrazione della formalizzazione dell'operatore di rumore con l'apprendimento automatico, permettendo al modello di catturare dinamiche non-markoviane complesse e distorsioni di impulso difficili da caratterizzare analiticamente.
• Funzioni di Verosimiglianza Migliorate: Addestrando il modello su dati sperimentali pregressi, l'approccio GB genera una funzione di verosimiglianza significativamente più accurata rispetto ai modelli puramente analitici, affrontando direttamente i modi di fallimento dell'inferenza bayesiana standard in ambienti rumorosi.

Risultati
Le prestazioni del modello GB sono state mesurate rispetto a un modello whitebox standard utilizzando gli stessi dati sperimentali per la stima del campo magnetico.

• Accuratezza: Il modello GB ha prodotto un miglioramento dell'errore quadratico medio (MSE) di diversi ordini di grandezza rispetto al modello whitebox. La distribuzione dell'MSE per il modello GB era centrata intorno a $10^{-5}$ (MHz)$^2$, mentre il modello whitebox era centrata intorno a $10$ (MHz)$^2$.
• Convergenza: Sebbene la varianza delle stime indicasse che la procedura bayesiana convergesse per entrambi i modelli, il modello whitebox convergeva frequentemente a valori errati a causa del disallineamento del modello (model mismatch). Il modello GB è riuscito a convergere alla frequenza reale in 156 casi su 159 nei test.
• Robustezza: Anche negli scenari peggiori in cui il modello GB non è riuscito a convergere completamente, l'errore di stima è rimasto significativamente inferiore rispetto all'approccio whitebox.

Significatività
Il documento afferma che questo lavoro stabilisce un framework per migliorare le prestazioni dei sensori quantistici in ambienti realistici. La significatività risiede nel dimostrare che i modelli graybox possono colmare il divario tra fisica teorica e realtà sperimentale senza i requisiti proibitivi di dati degli approcci completamente blackbox.

• Controllo Adattivo: Gli autori sottolineano che modelli predittivi accurati sono critici per i protocolli adattivi in tempo reale. Anche modeste imprecisioni del modello possono portare a loop di controllo instabili; l'approccio GB mitiga questo rischio.
• Scalabilità: Il metodo è presentato come ampiamente applicabile a varie piattaforme di sensing quantistico oltre i sistemi a singolo spin. Gli autori suggeriscono che i requisiti computazionali per sequenze di impulsi più complesse (ad esempio, decoupling dinamico a multi-impulso) potrebbero essere gestiti addestrando componenti blackbox più piccole e modulari per le unità di base.
• Integrazione Futura: Il lavoro pone le basi per l'integrazione di modelli graybox con il design sperimentale bayesiano in tempo reale e l'apprendimento per rinforzo, dove la natura differenziabile del modello permette l'ottimizzazione di quantità informazione-teoriche come l'informazione di Fisher.

Gli autori rimangono modesti riguardo ai tempi di acquisizione dei dati, notando che la raccolta del dataset di 10.000 punti ha richiesto diverse settimane a causa della calibrazione e del drift, sebbene suggeriscano che miglioramenti ottici potrebbero ridurre questo tempo a meno di un'ora. Concludono che questo approccio fornisce un elemento chiave per un sensing quantistico scalabile, interpretabile e ad alte prestazioni.