Machine-learning based high-bandwidth magnetic sensing

기술 요약: 머신러닝 기반 고대역폭 자기 센싱

문제 정의
다이아몬드 내 질소-공석(NV) 중심은 고감도, 고공간 해상도 자기 센싱을 위한 선도적인 플랫폼입니다. 그러나 표준 스핀 공명 측정 기술, 구체적으로 전자 스핀 공명(ESR)을 통한 광검출 자기 공명(ODMD)은 감도, 동적 범위(dynamic range), 대역폭 사이의 근본적인 트레이드오프에 직면해 있습니다. 넓은 동적 범위 시나리오에서 벡터 자기장을 식별하려면 여덟 개의 뚜렷한 공명 주파수(NV 중심의 네 가지 결정학적 방향에 대응)를 찾기 위해 전체 관련 주파수 공간을 스캔해야 합니다. 이러한 "래스터 스캔(raster scanning)" 방식은 공명 위치를 분해하기 위해 특히 공명이 좁거나 신호 대 잡음비(SNR)가 낮을 때 많은 수의 데이터 포인트가 필요합니다. 결과적으로 측정 시간이 증가하여 시변 신호를 추적하는 능력을 제한하고 전반적인 감도($\eta = \delta B \sqrt{T}$)를 감소시킵니다. 저자들은 측정 오차나 감도를 저해하지 않으면서 필요한 데이터 포인트 수를 줄일 수 있는 방법의 필요성을 확인했습니다.

방법론
저자들은 희소(sparse) ESR 데이터로부터 외부 자기장 벡터를 직접 재구성하기 위해 고전적 피드포워드 신경망, 구체적으로 다층 퍼셉트론(MLP)을 사용하는 양자 머신러닝(QML) 접근 방식을 제안합니다.

• 모델 아키텍처: 네트워크는 회귀 문제로 설계되었습니다. 입력층은 ESR 스펙트럼으로부터 측정된 $n$개의 데이터 포인트($\lambda_i$)로 구성되며, 출력층은 8개의 공명 주파수($y_i$)를 예측합니다. 네트워크는 은닉층에 ReLU 활성화 함수를 사용하고 출력층에는 시그모이드 함수를 사용합니다.
• 훈련 전략: 모델은 실제 실험 데이터와 단순화된 NV 해밀토니안으로부터 생성된 시뮬레이션 데이터를 결합하여 훈련되었습니다. 시뮬레이션은 제만 이동(Zeeman shifts), 로렌츠 선형(Lorentzian line shapes), 가우시안 노이즈 및 다양한 공명 폭을 반영했습니다.
• 최적화: 하이퍼파라미터(학습률, 배치 크기, 드롭아웃, 가중치 감쇠 및 네트워크 깊이/너비)는 Bayesian 최적화(Hyperopt)와 ASHA 스케줄러를 사용하는 Ray Tune 플랫폼을 사용하여 최적화되었습니다. 훈련 목표는 Adam 옵티마이저를 사용하여 예측된 공명 주파수와 실제 값 사이의 평균 제곱 오차(MSE)를 최소화하는 것입니다.
• 실험 설정: 실제 데이터는 532 nm 녹색 레이저와 마이크로파 펄스를 사용하는 에피-조명(epi-illumination) 와이드필드 현미경 설비를 사용하여 획득되었습니다. 데이터셋에는 다양한 자기장 조건 하에서의 96개 전체 래스터 스캔이 포함되었습니다.
• 비교 기준(Baseline): ML 성능은 로렌츠 곡선 피팅을 사용하는 표준 래스터 스캔과 벤치마킹되었습니다. 결정적으로, 비교는 서브샘플링된 데이터에서 8개의 공명을 모두 성공적으로 식별할 확률을 고려하여, ML 모델이 시각적으로 뚜렷한 공명 여부와 관계없이 예측값을 출력한다는 점을 고려해 래스터 스캔의 오차를 성공 확률의 제곱근($\sqrt{P}$)으로 정규화하였습니다.

주요 결과

• 데이터 감소 및 오차 스케일링: ML 모델은 래스터 스캔에 비해 훨씬 적은 데이터 포인트로도 낮은 측정 오차를 유지하는 능력을 입증했습니다. 구체적으로, 네트워크는 래스터 스캔이 600개의 포인트로 달성한 수준의 오차를 단 200개의 데이터 포인트만으로 달성하였으며, 이는 감도를 보존하면서 측정 시간을 3배 줄인 것을 의미합니다.
• 낮은 데이터 수에서의 성능: 데이터 포인트가 10%(600개 중 60개)뿐인 경우에도 ML 모델은 오차를 1 MHz 미만으로 유지했습니다. 반면, 래스터 스캔은 유사한 서브샘플링 비율에서 모든 8개의 공명을 식별하는 데 실패함에 따라 오차가 크게 증가했습니다.
• 중첩된 공명에 대한 강건성: 신경망은 로렌츠 피크가 중첩되거나 퇴화된 경우(예: 6개의 뚜렷한 피크만 있는 데이터 샘플)에도 8개의 공명 주파수를 성공적으로 예측했습니다. 표준 래스터 스캔은 특히 낮은 SNR 환경에서 이러한 시나리오에서 자주 실패했습니다.
• 일반화 및 훈련 전략:
  • 데이터셋 크기: 100,000개의 샘플로 훈련된 모델이 1,000개의 샘플로 훈련된 모델보다 낮은 오차를 보였으나, 10,000개의 샘플만으로도 베이스라인 대비 상당한 개선을 제공했습니다.
  • 변화에 대한 강건성: 다양한 로렌츠 폭(5–16 MHz)과 SNR 값(2.5–10)을 가진 데이터로 훈련된 네트워크는 특정 고정 파라미터로 훈련된 네트워크보다 테스트 데이터의 변화에 대해 훨씬 더 강건했습니다.
  • 보간 vs 특정 훈련: 전체 길이 데이터에 대해 단일 네트워크를 훈련하고 서브샘플링된 입력을 보간하는 것은 훈련 시간을 절약하지만(하나의 네트워크가 모든 데이터셋에 적합), 성능 면에서는 불리합니다. 반대로, 특정 서브샘플링 비율에 맞춰 특정 네트워크를 훈련하는 것이 더 낮은 평균 오차와 표준 편차를 나타냈습니다.
• 실제 데이터 검증: 46개의 실제 데이터 샘플에 대해 테스트했을 때, ML 모델은 시뮬레이션 데이터보다 높은 오차를 보였으나(과적합 암시), 오차 스케일링 및 강건성 측면에서, 특히 낮은 데이터 포인트 수에서 래스터 스캔보다 우수한 성능을 보였습니다.

의의 및 주장
본 논문은 머신러닝을 NV 기반 양자 센싱에 통합하는 것이 넓은 동적 범위 시나리오에서 감도-대역폭 트레이드오프를 극복할 수 있는 실행 가능한 경로임을 주장합니다. 주요 기여는 신경망이 전통적인 래스터 스캔에 필요한 데이터 포인트의 극히 일부만을 사용하여 벡터 자기장을 높은 충실도로 재구성할 수 있음을 입증한 것입니다.

저자들은 이 접근 방식이 현재의 오차 수준을 유지하면서 필요한 데이터 포인트를 최소 3배 이상 줄일 수 있다고 명시합니다. 이러한 개선은 시변 신호에 대한 감도를 직접적으로 높이거나, 동일한 감도를 유지하면서도 더 빠른 측정 시간을 가능하게 합니다. 이 연구는 양자 머신러닝 프로토콜의 사용을 촉진하여 회로 특성 분석 및 일시적인 생물학적 신호 탐지와 같이 큰 동적 신호를 포함하는 응용 분야에서 양자 센싱 기술을 더욱 실용적이고 효율적으로 만듭니다. 저자들은 이 방법의 성공이 훈련 데이터에 대한 정확한 물리적 시뮬레이션과 실험적 노이즈 및 선형 변화에 대한 강건성을 보장하기 위한 다양한 데이터셋 훈련에 달려 있음을 강조합니다.