Bayesian quantum sensing using graybox machine learning

技術要約：グレーボックス機械学習を用いたベイズ量子センシング

問題提起
量子センサは、材料科学からヘルスケアに至るまで幅広い応用において、空間分解能と感度の面で変革的なポテンシャルを秘めています。しかし、その実用的な展開は、理想化された理論モデルと現実の実験条件との間の乖離によって阻まれています。現実的な環境では、状態準備の不完全性、複雑な環境相互作用（ノイズ）、外部パラメータへの依存性（例：温度、振動）、および非理想的な制御フィールド（パルス歪み）を含む、モデル化されていない影響によって、センサの性能が低下します。

これらの不正確さは、特にベイズ推論（最適なパラメータ推定や適応制御に使用される確率論的フレームワーク）にとって致命的です。ベイズ手法は、未知のパラメータに関する信念を測定データに基づいて更新するための「尤度（ゆうど）」関数に依存しています。もしセンサの基礎となるモデルが実験の現実を忠実に表現していない場合、尤度関数は不正確になり、制御決定の最適性の喪失、数値的不安定性、および推定精度の低下を招きます。純粋に解析的な（「ホワイトボックス」）モデルは、こうした複雑な非理想性を捉えることができず、一方で完全にデータ駆動型の（「ブラックボックス」）ディープラーニングモデルは、膨大な訓練データを必要とし物理的な解釈性に欠けるため、多くの量子センシングタスクにおいては実用的ではありません。

手法
著者らは、物理ベースのシステムモデルと、実験的な不完全性を記述するデータ駆動型の記述を統合した「グレーボックス（GB）」モデリング戦略を提案しています。このアプローチは、固体系の開放量子系、すなわち、ラムジー干渉法を用いて静的磁場を推定するために用いられるダイヤモンド中の単一窒素空孔（NV）中心を用いて実験的に検証されています。

1. 理論的枠組み:
   • ホワイトボックス（WB）ベースライン: 著者らはまず、ラムジー実験のハミルトニアンから導出された標準的な物理ベースのモデルを確立しました。このモデルは、既知のエラーである状態準備の不完全性や読み出しの不完全性を考慮していますが、理想的な制御パルスと簡略化されたノイズモデルを想定しています。
   • グレーボックス・アーキテクチャ: 提案されるGBモデルは、「ブラックボックス（BB）」ニューラルネットワークと「ホワイトボックス（WB）」物理層を組み合わせたものです。
     • 入力: 理想的なパルスパラメータ（遅延 $\tau$、位相 $\phi$、ラーモア周波数 $f_B$）、外部パラメータ（$\vec{\chi}$）、および検出器の校正係数（$\pi_0, \pi_1$）。
     • ブラックボックス成分: 8層のディープニューラルネットワークが、ノイズ演算子（$\hat{V}_Z$）の行列パラメータ化を予測するために入力を処理します。このコンポーネントは、ノイズ、不完全なパルス、および環境要因によって引き起こされる未知の偏差を、データから直接学習します。
     • ホワイトボックス成分: ネットワークの出力は物理層と統合され、理想的なラムジー・ユニタリ発展を再構成し、ノイズ演算子を適用して期待値 $\langle Z \rangle$ を計算します。
     • 出力: 最終層は、校正された読み出しモデルを用いて、検出器のクリック確率（$P_{cl}$）を計算し、事実上、極めて正確な尤度関数 $P(r|f_B)$ を生成します。
2. 実験プロトコル:
   • データ取得: 実験は室温の単一NV中心に対して行われました。約10,000点のデータセットが、遅延と位相を変化させたランダム化ラムジーシーケンスを用いて収集されました。
   • 訓練: GBモデルは、予測されたクリック確率と実験的に測定された確率の間の平均二乗誤差（MSE）の対数に基づく損失関数を用いて訓練されました。データセットは訓練用とテスト用に90/10に分割されました。
   • ベイズ推定: 訓練されたGBモデルは、ベイズ推論ループ内に組み込まれました。一様事前分布から開始し、アルゴリズムはGB由来の尤度関数を用いて、未知のラーモア周波数に関する事後分布を反復的に更新しました。

主な貢献

• 初の実験的実証: 本研究は、固体系の開放量子系に対するグレーボックスモデリング戦略の最初の実験的実装を提示しています。これまでの本フレームワークの適用は、数値シミュレーションまたはフォトニック回路に限定されていました。
• ハイブリッドモデリングフレームワーク: 著者らは、ノイズ演算子の定式化と機械学習の厳密な統合を示しており、これにより、解析的に特徴付けることが困難な複雑な非マルコフ過程やパルス歪みを捉えることが可能になります。
• 改善された尤度関数: 実験データに基づいてモデルを訓練することにより、GBアプローチは、純粋に解析的なモデルよりも大幅に正確な尤度関数を生成し、ノイズの多い環境における標準的なベイズ推論の失敗モードを直接解決します。

結果
GBモデルの性能は、同じ実験データを用いた磁場推定において、標準的なホワイトボックスモデルと比較してベンチマークが行われました。

• 精度: GBモデルは、ホワイトボックスモデルと比較して、数桁の平均二乗誤差（MSE）の改善をもたらしました。GBモデルのMSE分布の中心は約 $10^{-5}$ (MHz)$^2$ であったのに対し、ホワイトボックスモデルの中心は約 $10$ (MHz)$^2$ でした。
• 収束性: 推定値の分散は、両方のモデルでベイズ手順が収束したことを示していますが、ホワイトボックスモデルはモデルの不一致により、しばしば不正確な値に収束しました。GBモデルは、159件のテストケースのうち156件で真の周波数への収束に成功しました。
• 堅牢性: GBモデルが完全に収束しなかった最悪のシナリオにおいても、推定誤差はホワイトボックスのアプローチよりも大幅に低いままでした。

意義
本論文は、現実的な環境における量子センサの性能を向上させるためのフレームワークを確立すると主張しています。その意義は、グレーボックスモデルが、完全にブラックボックス的なアプローチのような膨大なデータ要求を課すことなく、理論物理学と実験的現実の間の溝を埋められることを示した点にあります。

• 適応制御: 著者らは、正確な予測モデルがリアルタイムの適応プロトコルにとって極めて重要であることを強調しています。わずかなモデルの不正確さであっても、不安定な制御ループを招く可能性があります。GBアプローチはこのリスクを軽減します。
• 拡張性: この手法は、単一スピン系を超えて、様々な量子センシングプラットフォームに広く適用可能であると提示されています。著者らは、より複雑なパルスシーケンス（例：マルチパルス・ダイナミカルデカップリング）に対する計算要件は、基本単位となる小さなモジュール式のブラックボックス成分を訓練することで管理できると考えています。
• 将来の統合: 本研究は、モデルの微分可能な性質により、フィッシャー情報量のような情報理論的量を最適化できることから、リアルタイムのベイズ実験設計や強化学習とグレーボックスモデルを統合するための基礎を築くものです。

著者らは、キャリブレーションとドリフトのために10,000点のデータセット収集に数週間を要したというデータ取得時間について謙虚な姿勢を保っていますが、光学的な改善によりこれを1時間未満に短縮できる可能性があると示唆しています。彼らは、このアプローチが、スケーラブルで解釈可能、かつ高性能な量子センシングのための重要な構成要素を提供すると結論付けています。