Bayesian quantum sensing using graybox machine learning

Technische Samenvatting: Bayesiaanse Kwantummetrologie met Gebruik van Graybox Machine Learning

Probleemstelling
Kwantumsensoren bieden transformatief potentieel in ruimtelijke resolutie en gevoeligheid voor toepassingen variërend van materiaalkunde tot de gezondheidszorg. De praktische inzetbaarheid wordt echter belemmerd door de kloof tussen geïdealiseerde theoretische modellen en de experimentele realiteit. In realistische omgevingen wordt de prestatie van sensoren gedegradeerd door niet-gemodelleerde effecten, waaronder imperfecties in de staatvoorbereiding, complexe interacties met de omgeving (ruis), externe parameterafhankelijkheden (bijv. temperatuur, trillingen) en niet-ideale controlevelden (pulsvervormingen).

Deze onnauwkeurigheden zijn bijzonder schadelijk voor Bayesiaanse inferentie, een probabilistisch kader dat wordt gebruikt voor optimale parameterschatting en adaptieve controle. Bayesiaanse methoden vertrouwen op een "likelihood"-functie om overtuigingen over onbekende parameters bij te werken op basis van meetgegevens. Als het onderliggende model van de sensor de experimentele realiteit niet getrouw weergeeft, wordt de likelihood-functie onnauwkeurig, wat leidt tot suboptimale controlebeslissingen, numerieke instabiliteit en gedegradeerde schattingsnauwkeurigheid. Zuiver analytische ("whitebox") modellen falen vaak in het vastleggen van deze complexe imperfecties, terwijl volledig datagestuurde ("blackbox") deep learning-modellen excessieve trainingsdata vereisen en een gebrek aan fysieke interpreteerbaarheid hebben, wat ze onpraktisch maakt voor veel kwantummetrologische taken.

Methodologie
De auteurs stellen een "graybox" (GB) modelleringsstrategie voor die een natuurkundig systeemmodel integreert met een datagestuurde beschrijving van experimentele imperfecties. Deze aanpak wordt experimenteel gevalideerd op een solid-state open kwantumsysteem: een enkele stikstof-vacature (NV) in diamant die wordt gebruikt om een statisch magnetisch veld te schatten via Ramsey-interferometrie.

1. Theoretisch Kader:

   • Whitebox (WB) Baseline: De auteurs stellen eerst een standaard natuurkundig model op, afgeleid van de Ramsey-experiment-Hamiltoniaan. Dit model houdt bekende fouten zoals imperfecties in de staatvoorbereiding en uitleesfouten rekening mee, maar gaat uit van ideale controlepulsen en vereenvoudigde ruismodellen.
   • Graybox Architectuur: Het voorgestelde GB-model combineert een "blackbox" (BB) neuraal netwerk met "whitebox" (WB) fysieke lagen.
     • Inputs: Ideale pulsparameters (vertraging $\tau$, fase $\phi$, Larmor-frequentie $f_B$), externe parameters ($\vec{\chi}$) en detector-kalibratiecoëfficiënten ($\pi_0, \pi_1$).
     • Blackbox Component: Een diep neuraal netwerk (8 lagen) verwerkt de inputs om de matrix-parametrisatie van een ruisoperator ($\hat{V}_Z$) te voorspellen. Deze component leert de onbekende afwijkingen veroorzaakt door ruis, imperfecte pulsen en omgevingsfactoren direct uit de data.
     • Whitebox Component: De output van het netwerk wordt geïntegreerd met fysieke lagen die de ideale Ramsey unitaire evolutie reconstrueren en de ruisoperator toepassen om de verwachtingswaarde $\langle Z \rangle$ te berekenen.
     • Output: De laatste laag berekent de waarschijnlijkheid van een detector-klik ($P_{cl}$) met behulp van het gekalibreerde uitleesmodel, wat effectief een zeer nauwkeurige likelihood-functie $P(r|f_B)$ genereert.

2. Experimenteel Protocol:

   • Data-acquisitie: Experimenten werden uitgevoerd op een enkele NV-centra bij kamertemperatuur. Een dataset van ongeveer 10.000 punten werd verzameld, bestaande uit gerandomiseerde Ramsey-sequenties met variërende vertragingen en fasen.
   • Training: Het GB-model werd getraind met een verliesfunctie gebaseerd op het logaritme van de Mean Squared Error (MSE) tussen de voorspelde klik-waarschijnlijkheid en de experimenteel gemeten waarschijnlijkheid. De dataset werd 90/10 gesplitst voor training en testen.
   • Bayesiaanse Schatting: Het getrainde GB-model werd ingebed in een Bayesiaanse inferentie-loop. Beginnend met een uniforme prior, werkt het algoritme iteratief de posterior distributie van de onbekende Larmor-frequentie bij op basis van meetresultaten, gebruikmakend van de door de GB verkregen likelihood-functie.

Belangrijkste Bijdragen

• Eerste Experimentele Demonstratie: Dit werk presenteert de eerste experimentele implementatie van een graybox modelleringsstrategie voor een solid-state open kwantumsysteem. Eerdere toepassingen van dit kader waren beperkt tot numerieke simulaties of fotonische circuits.
• Hybride Modelleringskader: De auteurs demonstreren een rigoureuze integratie van de ruisoperator-formalisme met machine learning, waardoor het model complexe, niet-Markoviaanse dynamica en pulsvervormingen kan vastleggen die moeilijk analytisch te karakteriseren zijn.
• Verbeterde Likelihood-functies: Door het model te trainen op voorafgaande experimentele data, genereert de GB-aanpak een likelihood-functie die aanzienlijk nauwkeuriger is dan zuiver analytische modellen, wat direct de faalmodi van standaard Bayesiaanse inferentie in ruisige omgevingen aanpakt.

Resultaten
De prestaties van het GB-model werden vergeleken met een standaard whitebox-model met behulp van dezelfde experimentele data voor magnetische veldschatting.

• Nauwkeurigheid: Het GB-model leverde een verbetering van de Mean Squared Error (MSE) van meerdere grootordes op vergeleken met het whitebox-model. De distributie van de MSE voor het GB-model centreerde rond $10^{-5}$ (MHz)$^2$, terwijl de whitebox-model centreerde rond $10$ (MHz)$^2$.
• Convergentie: Hoewel de variantie van de schattingen aangaf dat de Bayesiaanse procedure voor beide modellen convergeerde, convergeerde het whitebox-model regelmatig naar onnauwkeurige waarden door modelmismatch. Het GB-model convergeerde succesvol naar de ware frequentie in 156 van de 159 testgevallen.
• Robuustheid: Zelfs in de slechtste scenario's waar het GB-model niet volledig convergeerde, bleef de schattingsfout aanzienlijk lager dan die van de whitebox-aanpak.

Betekenis
Het artikel stelt dat dit werk een kader vestigt om de prestaties van kwantumsensoren in realistische omgevingen te verbeteren. De betekenis ligt in het aantonen dat graybox-modellen de kloof kunnen overbruggen tussen theoretische fysica en de experimentele realiteit zonder de prohibitieve datavereisten van volledig blackbox-benaderingen.

• Adaptieve Controle: De auteurs benadrukken dat nauwkeurige voorspellende modellen cruciaal zijn voor real-time adaptieve protocollen. Zelfs bescheiden modelonnauwkeurigheden kunnen leiden tot instabiele controlesystemen; de GB-aanpak vermindert dit risico.
• Schaalbaarheid: De methode wordt gepresenteerd als breed toepasbaar op diverse kwantummetrologische platforms buiten enkelvoudige spin-systemen. De auteurs suggereren dat de computationele vereisten voor complexere pulssequenties (bijv. multi-puls dynamische ontkoppeling) beheersbaar kunnen worden door kleinere, modulaire blackbox-componenten voor basisunits te trainen.
• Toekomstige Integratie: Dit werk legt de basis voor de integratie van graybox-modellen met real-time Bayesiaans experimenteel ontwerp en reinforcement learning, waarbij de differentieerbare aard van het model de optimalisatie van informatie-theoretische grootheden zoals de Fisher-informatie mogelijk maakt.

De auteurs blijven bescheiden over de tijd die nodig is voor data-acquisitie en merken op dat het verzamelen van de 10.000-punten dataset enkele weken duurde vanwege kalibratie en drift, hoewel zij suggereren dat optische verbeteringen dit tot onder een uur kunnen reduceren. Zij concluderen dat deze aanpak een belangrijke bouwsteen vormt voor schaalbare, interpreteerbare en hoogwaardige kwantummetrologie.