Bayesian quantum sensing using graybox machine learning

기술 요약: 그레이박스 머신러닝을 이용한 베이지안 양자 센싱

문제 정의
양자 센서는 재료 과학에서 의료에 이르는 다양한 응용 분야에서 공간 해상도와 민감도 측면에서 변혁적인 잠재력을 제공한다. 그러나 실제 환경에서의 구현은 이상적인 이론적 모델과 실제 실험 조건 사이의 간극으로 인해 저해된다. 현실적인 환경에서는 상태 준비 불완전성, 복잡한 환경 상호작용(노이즈), 외부 파라미터 의존성(예: 온도, 진동), 비이상적인 제어 필드(펄스 왜곡)를 포함한 모델링되지 않은 효과들로 인해 센서 성능이 저하된다.

이러한 부정확성은 최적의 파라미터 추정 및 적응형 제어를 위한 확률적 프레임워크인 베이지안 추론에 특히 치명적이다. 베이지안 방법은 미지의 파라미터에 대한 신념을 측정 데이터에 기반하여 업데이트하기 위해 "우도(likelihood)" 함수에 의존한다. 만약 센서의 기저 모델이 실험적 실재를 충실히 표현하지 못한다면, 우도 함수는 부정확해지며, 이는 최적화되지 않은 제어 결정, 수치적 불안정성, 그리고 추정 정확도 저하로 이어진다. 순수하게 분석적인("화이트박스") 모델은 이러한 복잡한 비이상적 현상을 포착하는 데 한계가 있으며, 완전히 데이터 중심적인("블랙박스") 딥러야닝 모델은 과도한 학습 데이터를 요구하고 물리적 해석력이 부족하여 많은 양자 센싱 작업에 부적합하다.

방법론
저자들은 물리 기반 시스템 모델과 실험적 결함에 대한 데이터 기반 설명을 통합하는 "그레이박스(GB)" 모델링 전략을 제안한다. 이 접근 방식은 고체 상태 개방 양자 시스템인 다이아몬드 내 단일 질소-공석(NV) 중심을 사용하여 라메이(Ramsey) 간섭계를 통해 정적 자기장을 추정하는 방식으로 실험적으로 검증되었다.

1. 이론적 프레임워크:

   • 화이트박스(WB) 베이스라인: 저자들은 먼저 라메이 실험 해밀토니안에서 유도된 표준 물리 기반 모델을 구축한다. 이 모델은 상태 준비 불충분성과 판독 불완전성과 같은 알려진 오류는 고려하지만, 이상적인 제어 펄스와 단순화된 노이즈 모델을 가정한다.
   • 그레이박스 아키텍처: 제안된 GB 모델은 "블랙박스(BB)" 신경망과 "화이트박스(WB)" 물리 계층을 결합한다.
     • 입력: 이상적인 펄스 파라미터(지연 $\tau$, 위상 $\phi$, 라모어 주파수 $f_B$), 외부 파라미터($\vec{\chi}$), 그리고 검출기 교정 계수($\pi_0, \pi_1$).
     • 블랙박스 구성 요소: 8개 층으로 구성된 심층 신경망이 입력을 처리하여 노이즈 연산자($\hat{V}_Z$)의 행렬 파라미터화를 예측한다. 이 구성 요소는 노이즈, 불완전한 펄스 및 환경 요인에 의해 발생하는 미지의 편차를 데이터로부터 직접 학습한다.
     • 화이트박스 구성 요소: 네트워크 출력은 물리 계층과 통합되어 이상적인 라메이 유니터리 진화를 재구성하고 노이즈 연산자를 적용하여 기대값 $\langle Z \rangle$를 계산한다.
     • 출력: 최종 계층은 교정된 판독 모델을 사용하여 검출기 클릭 확률($P_{cl}$)을 계산하며, 결과적으로 매우 정확한 우도 함수 $P(r|f_B)$를 생성한다.

2. 실험 프로토콜:

   • 데이터 획득: 실험은 상온의 단일 NV 중심에서 수행되었다. 약 10,000개의 지점으로 구성된 데이터셋이 다양한 지연 시간과 위상을 가진 무작위 라메이 시퀀스를 통해 수집되었다.
   • 학습: GB 모델은 예측된 클릭 확률과 실험적으로 측정된 확률 사이의 평균 제곱 오차(MSE)의 로그를 기반으로 하는 손실 함수를 사용하여 학습되었다. 데이터셋은 90/10 비율로 훈련 및 테스트용으로 분할되었다.
   • 베이지안 추정: 학습된 GB 모델은 베이지안 추론 루프에 삽입되었다. 균등 사전 분포(uniform prior)에서 시작하여, 알고리즘은 GB 유도 우도 함수를 사용하여 미지의 라모어 주파수에 대한 사후 분포를 반복적으로 업데이트하였다.

주요 기여

• 최초의 실험적 입증: 본 연구는 고체 상태 개방 양자 시스템에 대한 그레이박스 모델링 전략의 첫 번째 실험적 구현을 제시한다. 이전의 이 프레임워크 적용은 수치 시뮬레이션이나 광자 회로에 국한되었다.
• 하이브리드 모델링 프레임워크: 저자들은 노이즈 연산자 형식론과 머신러닝의 엄격한 통합을 보여주며, 이를 통해 분석적으로 특성화하기 어려운 복잡한 비마르코프(non-Markovian) 역학 및 펄스 왜곡을 포착할 수 있게 한다.
• 개선된 우도 함수: 실험적 데이터를 바탕으로 학습된 GB 접근 방식은 순수하게 분석적인 모델보다 훨씬 더 정확한 우도 함수를 생성하며, 이는 노이즈가 존재하는 환경에서 표준 베이지안 추론이 겪는 실패 모드를 직접적으로 해결한다.

결과
GB 모델의 성능은 동일한 실험 데이터를 사용하여 자기장 추정을 위한 표준 화이트박스 모델과 벤치마킹되었다.

• 정확도: GB 모델은 자기장 추정에 있어 화이트박스 모델에 비해 몇 자릿수(orders of magnitude) 더 높은 평균 제곱 오차(MSE) 개선을 나타냈다. GB 모델의 MSE 분포는 $10^{-5}$ (MHz)$^2$ 근처에 중심을 형성한 반면, 화이트박스 모델은 $10$ (MHz)$^2$ 근처에 형성되었다.
• 수렴성: 추정치의 분산은 두 모델 모두에서 베이지안 절차가 수렴함을 나타냈으나, 화이트박스 모델은 모델 불일치로 인해 부정확한 값으로 자주 수렴하였다. GB 모델은 159개의 테스트 케이스 중 156개에서 참값인 주파수로 성공적으로 수렴하였다.
• 강건성: GB 모델이 완전히 수렴하지 못한 최악의 경우에도, 추정 오차는 화이트박스 접근 방식보다 현저히 낮게 유지되었다.

의의
본 논문은 현실적인 환경에서 양자 센서의 성능을 향상시키기 위한 프레임워크를 구축한다고 주장한다. 이 연구의 의의는 그레이박스 모델이 과도한 데이터 요구량 없이 이론적 물리학과 실험적 실재 사이의 간극을 메울 수 있음을 입증했다는 데 있다.

• 적응형 제어: 저자들은 정확한 예측 모델이 실시간 적응형 프로토콜에 매우 중요하다는 점을 강조한다. 미세한 모델 부정확성조차 불안정한 제어 루프를 초래할 수 있는데, GB 접근 방식은 이러한 위험을 완화한다.
• 확장성: 이 방법은 단일 스핀 시스템을 넘어 다양한 양자 센싱 플랫폼에 광범위하게 적용 가능하도록 제시되었다. 저자들은 더 복잡한 펄스 시퀀스(예: 다중 펄스 동적 디커플링)에 대한 계산 요구량을 기본 단위에 대한 작은 모듈형 블랙박스 구성 요인을 학습시킴으로써 관리할 수 있다고 제안한다.
• 미래 통합: 본 연구는 미분 가능한 모델의 특성을 활용하여 피셔 정보량(Fisher information)과 같은 정보 이론적 양량을 최적화할 수 있는, 실시간 베이지안 실험 설계 및 강화 학습과 결합된 그레이박스 모델의 토대를 마련한다.

저자들은 데이터 획득 시간에 대해 겸허한 태도를 보이며, 교정과 드리트로 인해 10,000개의 데이터셋을 수집하는 데 몇 주가 소요되었음을 언급했으나, 광학적 개선을 통해 이를 1시간 미만으로 줄일 수 있다고 제안했다. 결론적으로, 이 접근 방식은 확장 가능하고 해석 가능하며 고성능인 양자 센싱을 위한 핵심 구성 요소를 제공한다.