From Single Spins to Ensembles: A Calibrated Symbolic Regression Pipeline for NV Spectroscopy

Diep binnen het kristalrooster van een diamant kunnen minuscule imperfecties fungeren als gevoelige magnetische sensoren. Deze imperfecties, bekend als stikstof-vacaturecentra (NV-centra), ontstaan wanneer een stikstofatoom naast een ontbrekend koolstofatoom in de structuur van de diamant zit. Wanneer ze met groen licht worden bestraald, geven deze centra licht, en de helderheid van die gloed verandert afhankelijk van het magnetische veld dat ze ervaren. Wetenschappers zijn al lang in staat om deze centra één voor één te bestuderen en hun precieze kwantumgedrag met grote detail te brengen in kaart. Echter, in veel praktische toepassingen kijken onderzoekers niet naar slechts één centrum; ze kijken naar een enorme menigte van hen allemaal tegelijk. Dit creëert een uitdaging: wanneer je een hele groep meet, vervagen de individuele signalen met elkaar. De unieke details van elk centrum gaan verloren in een enkele, brede veeg van data, wat het moeilijk maakt om het specifieke magnetische milieu of de fysieke omstandigheden die de steekproef beïnvloeden te begrijpen.

De kern van de moeilijkheid ligt in het verbinden van de bekende fysica van een enkel, geïsoleerd centrum met het chaotische, collectieve signaal van een hele groep. In een echt monster zijn deze centra niet identieke tweelingen. Ze staan tegenover verschillende lokale omgevingen, wijzen in verschillende richtingen en ervaren iets andere magnetische velden. Een nieuwe studie door Evan Zhang en collega's pakt dit probleem aan door een methode te ontwikkelen om de precieze kennis verkregen van individuele centra toe te passen op een hele groep, zonder daarbij de individuele details te verliezen. Hun aanpak is niet simpelweg het middelen van de data of het gokken van de uitkomst. In plaats daarvan bouwen ze een brug die de specifieke kwantumregels van individuele centra overbrengt naar een model dat het gedrag van een grote, ongeordende menigte nauwkeurig kan voorspellen.

De onderzoekers begonnen door twee verschillende, geïsoleerde stikstof-vacaturecentra te bestuderen in een diamantmonster met een laag stikstofgehalte. Met behulp van een techniek genaamd optisch gedetecteerde magnetische resonantie maten ze hoe deze enkele centra reageerden op magnetische velden. Vervolgens gebruikten ze een computationele methode om de eenvoudigste wiskundige beschrijving te vinden die de complexe patronen in de data kon verklaren. Dit proces, bekend als symbolische regressie, fungeerde als een filter die alleen de essentiële fysieke termen selecteerde die nodig zijn om het spin-gedrag van elk centrum te beschrijven. Zodra de onderzoekers deze specifieke beschrijvingen hadden geïdentificeerd, "bevroren" ze deze, waarbij ze ze behandelden als vaste, betrouwbare blauwdrukken voor hoe een enkel centrum zou moeten reageren.

Met deze blauwdrukken in handen richtte het team zich op een ander diamantmonster, ditmaal rijk aan stikstof en met een groot ensemble van deze centra. Ze namen de bevroren enkelvoudige centrummodellen en combineerden deze om een voorspelling te doen voor de gehele groep. Ze voegden ze echter niet blindelings bij elkaar. Ze introduceerden een kalibratiestap die rekening hield met de verschillen tussen het geïsoleerde monster en het drukke monster. Deze kalibratie corrigeerde voor factoren zoals de oriëntatie van de centra, de mate van wanorde in het monster en de detectie van het licht. Door de fundamentele fysica van de individuele centra intact te houden terwijl ze de modellen aanpasten voor de specifieke condities van de groep, creëerden ze een model dat het collectieve signaal met hoge precisie kon voorspellen.

Toen de onderzoekers hun methode testten op experimentele data, waren de resultaten opmerkelijk. Voor een monster dat werd gemeten zonder extern magnetisch veld, verminderde hun gekalibreerde model de fout in het voorspellen van het signaal met meer dan de helft vergeleken met standaardmethoden die deze specifieke kalibratie niet gebruikten. De verbetering was niet slechts een kleine aanpassing; het vertegenwoordigde een fundamentele verschuiving in hoe de data geïnterpreteerd kon worden. Het model slaagde erin de subtiele verschuivingen en verbredingen van het signaal te vangen die optreden wanneer veel centra met elkaar interageren, terwijl het tegelijkertijd het vermogen behield om die veranderingen terug te leiden naar de specifieke fysieke eigenschappen van de individuele centra.

Om te waarborgen dat hun methode robuust was, voerde het team ook gecontroleerde computersimulaties uit met 128 verschillende centra. In deze simulaties trainden ze het model op data van twee specifieke magnetische veldsterktes en vroegen het vervolgens om het signaal te voorspellen voor een volledig nieuwe, derde veldsterkte die het nog nooit eerder had gezien. Het model slaagde erin het nieuwe signaal te voorspellen met een nauwkeurigheid die bijna ononderscheidbaar was van de achtergrondruis van de meting zelf. Dit bewees dat het model werkelijk de onderliggende fysica had geleerd in plaats van alleen de trainingsdata te hebben onthouden. Het kon de regels die het leerde van een paar specifieke condities nemen en toepassen op een volkomen andere situatie.

Misschien wel het meest onthullende aspect van het werk was de mogelijkheid om in de uiteindelijke voorspelling te kijken. Omdat het model is opgebouwd uit de individuele bijdragen van elk centrum, konden de onderzoekers de uiteindelijke, collectieve signaal deconstrueren om precies te zien hoeveel elk centrum bijdroeg. Ze konden visualiseren hoe centra die in verschillende richtingen wijzen of verschillende lokale verstoringen ervaren, hun unieke stemmen toevoegden aan het uiteindelijke koor. Dit niveau van detail gaat gewoonlijk verloren bij een groepmeting, maar hier bleek de collectieve lijnvorm een directe som van de delen te zijn.

De studie bevestigt dat het mogelijk is om van de microscopische wereld van enkelvoudige spins naar de macroscopische wereld van ensembles te bewegen zonder verlies van fysiek inzicht. Door de specifieke kwantumtoelichtingen van individuele centra te bewaren en ze te kalibreren voor de omgeving, hebben de onderzoekers een instrument gecreëerd dat zowel accuraat als interpreteerbaar is. Deze aanpak biedt een duidelijk pad voor het gebruik van diamantgebaseerde sensoren in complexe omgevingen, waar het begrijpen van het collectieve gedrag net zo belangrijk is als het kennen van de regels van de individuele componenten. Het werk laat zien dat zelfs in een druk systeem de unieke handtekening van het individu nog steeds te horen is, mits men weet hoe men moet luisteren.