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

기술 요약: 해석 가능한 딥러닝을 통한 올-옵티컬(All-Optical) NV 다이아몬드 온도계의 15 mK 수준 정확도 구현

문제 정의
정밀한 온도 측정은 양자 정보 시스템에서 산업 공정 제어에 이르기까지 다양한 응용 분야에서 매우 중요하다. 질소-공석(NV) 다이아몬드 온도계는 유망한 기술으로 부상해 왔으나, 올-옵티컬 센싱 방식(광검출 자기 공명(ODMR) 대신 광발광(PL)에 의존하는 방식)은 역사적으로 정밀도 측면에서 한계를 겪어 왔다. 일반적으로 300 K 부근에서 ±3% 또는 ±9 K 수준의 오차를 보였다. 이러한 한계는 고온에서의 스펙트럼 변화 특성에서 기인한다. 온도가 상승함에 따라 제로 포논 라인(ZPL)은 637 nm에서 넓어지고 적색 편이(redshift)하는 반면, 포논 사이드밴드(PSB)는 더욱 두드러진다. 이러한 변화는 노이즈와 복잡성을 유발하며, ZPL 진폭이나 폭과 같은 고립된 특징에 의존하는 기존의 전문가 기반 선형 모델은 이를 정확하게 해석하는 데 어려움을 겪는다. 결과적으로, 고정밀 응용 분야에서 올-옵티컬 NV 센서의 활용도는 제한적인 상태이다.

연구 방법론
본 연구는 세 가지 파이버 결합 NV 센서(센서 A, B, C)의 전체 PL 스펙트럼으로부터 온도를 예측하기 위해 머신러닝(ML) 및 딥러닝 모델을 체계적으로 평가하였다. 온도 범위는 243 K에서 343 K까지이다. 실험 설정은 다양한 조건(획득 속도, 스펙트럼 범위, 센서 구성—벌크 다이아몬드 입자 대 칩 형태) 하에서 스펙트럼을 획득하는 과정을 포함하였다.

본 연구는 다음 세 가지 범주의 접근 방식을 비교한다:

1. 전문가 지식(EK) 모델: 물리적 근거가 있는 특징(ZPL 진폭, 피크 중심, 폭, Debye-Waller 인자, KL 발산)을 기반으로 하는 전통적인 선형 회귀 모델.
2. 비지도 차원 축소: 명시적인 온도 레이블 없이 저차원 표현을 학습하는 주성분 분석(PCA) 및 오토인코더(AE).
3. 지도 학습 모델: 선형 판별 분석(LDA), 다층 퍼셉트론(MLP), 합성곱 신경망(CNN), 그리고 "최적화된 MLP"(시그모이드 활성화 함수를 사용하는 6개 층의 네트워크).

모델의 잠재 공간(latent space)을 시각화하기 위해 **"설명 가능한 편차 모드(explainable modes of deviation, xMoDs)"**라는 새로운 해석 가능성 프레임워크가 도입되었다. xMoDs는 은닉층의 활성화 값이나 차원 축소 출력을 원래의 스펙트럼 공간으로 다시 투영하여, 연구자가 어떤 스펙트럼 성분(예: ZPL 이동, PSB 변화, 또는 노이즈 아티팩트)이 모델의 예측을 주도하는지 식별할 수 있게 한다. 또한, 희소 회귀(sparse regression)와 거리 계산을 사용하여 ML 모델이 학습한 특징을 전문가 지식에서 도출된 특징과 비교하였다.

주요 결과
딥러닝 모델이 전문가 기반의 선형 모델 및 더 단순한 ML 기법보다 성능이 월등히 높음을 입증하였다:

• 정확도 향상: 전문가 기반의 단변량 및 다변량 회귀 모델은 테스트 오차가 4.1 K에서 19.6 K 사이로 나타났다. 반면, 시그모이드 활성화 함수를 사용한 최적의 6개 층 MLP는 센서 A에 대해 평균 **≈0.015 K (15 mK)**의 테스트 오차를 달성하였다. 이는 최상의 다변량 회귀 모델보다 200배 이상, 기존의 올-옵티컬 결과보다 최대 600배 향상된 수치이다.
• 모델 성능 계층: 시그모이드 기반의 최적화된 MLP는 ReLU 기반 MLP보다 우수했으며, ReLU 기반 MLP는 CNN, LDA, PCA, 오토인코더보다 우수한 성능을 보였다. 특히, 비지도 학습 방식인 오토인코더는 PCA보다 성능이 낮았는데, 이는 AE의 재구성 목적 함수가 온도 회귀에 해로운 "다크 변수(dark variables, 열적이지 않은 동적 정보)"를 유지하기 때문인 것으로 보인다.
• 센서 가변성: 센서 A가 가장 높은 정확도(15 mK)를 달로한 반면, 센서 B와 C는 각각 0.28 K와 0.80 K의 더 높은 오차를 보였다. 이는 스펙트럼 범위(센서 B는 긴 파장의 PSB 영역을 제외함)나 광자 플럭스(센서 C는 낮은 수집 효율을 가짐)와 같은 실험적 조건의 차이에 기인한다.

해석 가능성 결과 (xMoDs)
xMoD 분석은 모델이 데이터를 처리하는 방식의 뚜렷한 차이를 드러냈다:

• 비지도 vs. 지도 학습: 비지도 방식(PCA, AE)은 전문가 지식 특징(예: ZPL 진폭)과 높은 상관관계를 갖는 모드를 생성하였으며, 이는 일반적인 스펙트럼 분산을 포착함을 의미한다. 반면, 지도 학습 방식(LDA, MLP)은 온도에 특화되어 최적화된 별도의 잠재 하위 공간을 식별하였으며, 비지도 방식이 재구성을 위해 중요하다고 간주한 스펙트럼의 일부(예: 긴 파장의 PSB)를 무시하는 경향을 보였다.
• 노이즈 격리: 최적화된 MLP의 탁월한 성능은 비열적 아티팩트(non-thermal artifacts)를 격리하는 능력 덕분이었다. xMoD 분석 결과, 이 모델은 "우주선(cosmic ray)" 스파이크와 미립자 빛 이벤트(예: 775 nm 너머의 독특한 스파이크)를 감지해 냈으며, 다른 모델들이 이를 평균화하거나 구분하지 못할 때 이를 효과적으로 분리해 냈다. 이러한 비열적 이벤트를 격리함으로써 모델은 온도 추론에 대한 간섭을 피할 수 있었다.

의의 및 주장
본 논문은 딥 뉴럴 네트워크가 xMoDs와 같은 해석 가능한 프레임워크와 결속될 때 올-옵티컬 NV 온도계의 잠재력을 완전히 끌어낼 수 있다고 주장한다. 주요 의의는 다음과 같다:

1. 정확도의 장벽 돌파: 15 mK의 정확도를 달성함으로써 ML 기반 올-옵티컬 온도계는 기존 기술(박막 저항 온도계 등) 및 기타 신흥 양자 센싱 방법들과 경쟁할 수 있는 위치에 올라섰다.
2. 메커니즘적 통찰: xMoD 프레임워크는 딥러닝 모델이 왜 성공하는지에 대해 "분광학자 친화적인" 관점을 제공하여, 딥 모델을 '블랙박스'로 치부하는 인식을 넘어선다. 이는 모델이 비열적 노이즈를 필터링하고 선형 모델이 놓치는 특정 온도 민감 스펙트럼 성분에 집중하는 방식을 보여준다.
3. 데이터 기반 최적화: 결과는 전체 NV-PL 스펙트럼에 특징 공학(feature engineering) 접근법으로는 접근할 수 없는 온도 관련 동적 정보가 포함되어 있음을 시사하며, 이는 스펙트럼 회귀 작업을 위한 엔드-투-엔드 딥러닝으로의 전환을 정당화한다.

저자들은 모델의 복잡성이 반드시 성능을 보장하는 것은 아니지만(성능이 저조했던 오토인코더 사례 참조), 적절한 아키텍처(시그모이드 MLP), 엄격한 전처리, 그리고 해석 도구(xMoDs)의 결합이 고정밀 올-옵티컬 온도 센싱을 실현하는 데 필수적이라고 결론짓는다.