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

Sintesi Tecnica: Accuratezza di livello 15 mK nella termometria a diamante NV all-optical tramite Deep Learning interpretabile

Problematica
La misurazione precisa della temperatura è critica per applicazioni che spaziano dai sistemi di informazione quantistica al controllo dei processi industriali. Sebbene la termometria a diamante con centri azoto-vacanza (NV) sia emersa come una tecnica promettente, i metodi di rilevamento all-optical (che si basano sulla fotoluminescenza, PL, piuttosto che sulla risonanza magnetica otticamente rilevata, ODMR) hanno storicamente sofferto di un'accuratezza limitata, tipicamente ristretta a ±3% o ±9 K intorno ai 300 K. Questo limite deriva dalla natura dei cambiamenti spettrali alle temperature elevate: all'aumentare della temperatura, la linea a zero fononi (ZPL) a 637 nm si allarga e subisce un redshift, mentre la banda laterale fononica (PSB) diventa più pronunciata. Tali cambiamenti introducono rumore e complessità che i modelli lineari tradizionali derivati da esperti, che si basano su caratteristiche isolate come l'ampiezza o la larghezza della ZPL, faticano a interpretare accuratamente. Di conseguenza, l'utilità dei sensori NV all-optical in applicazioni ad alta precisione rimane limitata.

Metodologia
Lo studio valuta sistematicamente modelli di machine learning (ML) e deep learning per predire la temperatura dai pieni spettri PL di tre sensori NV accoppiati a fibra (Sensori A, B e C) attraverso un intervallo di temperatura compreso tra 243 K e 343 K. L'allestimento sperimentale ha comportato l'acquisizione di spettri sotto diverse condizioni, inclusi diversi tassi di acquisizione, intervalli spettrali e configurazioni dei sensori (particelle di diamante bulk rispetto a chip).

La metodologia confronta tre categorie di approcci:

1. Modelli basati sulla Conoscenza dell'Esperto (EK): Modelli di regressione lineare tradizionali basati su caratteristiche fisicamente motivate (ampiezza ZPL, centro del picco, larghezza, fattore di Debye-Waller e divergenza KL).
2. Riduzione della Dimensionalità Non Supervisionata: Analisi delle Componenti Principali (PCA) e Autoencoder (AE), che apprendono rappresentazioni a bassa dimensionalità senza etichette di temperatura esplicite.
3. Modelli di Apprendimento Supervisionato: Analisi Discriminante Lineare (LDA), Perceptroni Multistrato (MLP), Reti Neurali Convoluzionali (CNN) e un "MLP Ottimizzato" (una rete a 6 strati con funzioni di attivazione sigmoidali).

Un nuovo framework di interpretabilità, denominato "modi di deviazione spiegabili" (xMoDs), è stato introdotto per visualizzare lo spazio latente di questi modelli. Gli xMoDs proiettano le attivazioni degli strati nascosti o gli output di riduzione della dimensionalità nuovamente sullo spazio spettrale originale, permettendo ai ricercatori di identificare quali componenti spettrali (ad esempio, spostamenti della ZPL, cambiamenti della PSB o artefatti di rumore) guidano le predizioni del modello. Inoltre, sono state utilizzate la regressione sparsa e il calcolo delle distanze per confrontare le caratteristiche apprese dai modelli ML rispetto a quelle derivate dalla conoscenza dell'esperto.

Risultati Chiave
Lo studio dimostra che i modelli di deep learning superano significativamente sia i modelli lineari derivati da esperti sia le tecniche di ML più semplici:

• Miglioramento dell'Accuratezza: I modelli di regressione univariata e multivariata derivati dagli esperti hanno prodotto errori di test compresi tra 4,1 K e 19,6 K. Al contrario, l'MLP ottimizzato a 6 strati con attivazione sigmoidale ha raggiunto un errore di test medio di ≈0,015 K (15 mK) per il Sensore A. Ciò rappresenta un miglioramento ≥200 volte rispetto ai migliori modelli di regressione multivariata e fino a 600 volte rispetto ai precedenti risultati all-optical.
• Gerarchia delle Prestazioni dei Modelli: L'MLP Ottimizzato (sigmoidale) ha superato gli MLP basati su ReLU, i quali hanno superato le CNN, LDA, PCA ed Autoencoder. In particolare, gli Autoencoder non supervisionati hanno ottenuto prestazioni inferiori rispetto alla PCA, suggerendo che l'obiettivo di ricostruzione degli AE tratti "variabili oscure" (informazioni dinamiche non termiche) dannose per la regressione della temperatura.
• Variabilità del Sensore: Mentre il Sensore A ha raggiunto l'accuratezza più elevata (15 mK), i Sensori B e C hanno mostrato errori più elevati (0,28 K e 0,80 K, rispettivamente), attribuiti a differenze nelle condizioni sperimentali come l'intervallo spettrale (il Sensore B escludeva le lunghezze d'onda più lunghe della PSB) e il flusso di fotoni (il Sensore C aveva un'efficienza di raccolta inferiore).

Risultati di Interpretabilità (xMoDs)
L'analisi xMoD ha rivelato distinzioni chiare nel modo in cui i modelli elaborano i dati:

• Unsupervised vs. Supervised: I metodi non supervisionati (PCA, AE) hanno prodotto modi altamente correlati con le caratteristiche della conoscenza dell'esperto (ad esempio, l'ampiezza della ZPL), indicando che catturano la varianza spettrale generale. I metodi supervisionati (LDA, MLP) hanno identificato sottospazi latenti distinti ottimizzati specificamente per la temperatura, ignorando spesso parti dello spettro (come la PSB a lunghe lunghezze d'onda) che i metodi non supervisionati ritenevano importanti per la ricostruzione.
• Isolamento del Rumore: La superiorità dell'MLP Ottimizzato è stata attribuita alla sua capacità di isolare gli artefatti non termici. I suoi xMoDs hanno rivelato la rilevazione di picchi da "raggi cosmici" ed eventi di luce diffusa (ad esempio, un picco unico oltre i 775 nm) che altri modelli mediavano o non riuscivano a distinguere. Isolando questi eventi non termici, il modello ha evitato la loro interferenza con l'inferenza della temperatura.

Significatività e Rivendicazioni
Il documento afferma che le reti neurali profonde, quando accoppiate con framework interpretabili come gli xMoDs, possono sbloccare il pieno potenziale della termometria NV all-optical. La principale significatività risiede in:

1. Rottura della Barriera dell'Accuratezza: Raggiungere un'accuratezza di 15 mK pone la termometria all-optical potenziata dal ML su un piano competitivo con le tecnologie legacy (come i termometri a resistenza a film sottile) e altre tecnologie emergenti di sensing quantistico.
2. Insight Meccanicistico: Il framework xMod fornisce una lente "amica dello spettroscopista" per comprendere perché i modelli deep abbiano successo, andando oltre la percezione di "scatola nera". Dimostra che questi modelli imparano a filtrare il rumore non termico e a concentrarsi su componenti spettrali specifiche e sensibili alla temperatura che i modelli lineari perdono.
3. Ottimizzazione Basata sui Dati: I risultati suggeriscono che l'intero spettro NV-PL contiene informazioni dinamiche rilevanti per la temperatura che sono inaccessibili agli approcci basati sull'ingegneria delle caratteristiche, convalidando il passaggio verso il deep learning end-to-end per i compiti di regressione spettroscopica.

Gli autori concludono che, sebbene la complessità del modello non sia una garanzia di prestazione (come visto per gli Autoencoder meno performanti), la combinazione di un'architettura appropriata (MLP sigmoidali), un pre-processing rigoroso e strumenti di interpretabilità (xMoDs) è essenziale per realizzare una termometria all-optical ad alta precisione.