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

Technische Samenvatting: 15 mK-Nauwkeurigheid in All-Optische NV-Diamant Thermometrie via Interpreteerbaar Deep Learning

Probleemstelling
Precieze temperatuurmeting is cruciaal voor toepassingen variërend van kwantuminformatiesystemen tot industriële procescontrole. Hoewel stikstof-vacature (NV) diamantthermometrie een veelbelovende techniek is geworden, hebben all-optische sensormethoden (die vertrouwen op fotoluminescentie, PL, in plaats van optisch gedetecteerde magnetische resonantie, ODMR) historisch gezien te kampen met een beperkte nauwkeurigheid, doorgaans beperkt tot ±3% of ±9 K rond 300 K. Deze beperking komt voort uit de aard van spectrale veranderingen bij verhoogde temperaturen: naarmate de temperatuur stijgt, verbreden en roodverschuiven de zero-phonon line (ZPL) bij 637 nm, terwijl de phonon sideband (PSB) prominenter wordt. Deze veranderingen introduceren ruis en complexiteit die traditionele, door experts afgeleide lineaire modellen, die vertrouwen op geïsoleerde kenmerken zoals de ZPL-amplitude of -breedte, moeilijk kunnen interpreteren. Bijgevolg blijft het nut van all-optische NV-sensoren in hoogprecisie-toepassingen beperkt.

Methodologie
De studie evalueert systematisch machine learning (ML) en deep learning modellen om de temperatuur te voorspellen vanuit de volledige PL-spectra van drie vezelgekoppelde NV-sensoren (Sensoren A, B en C) over een temperatuurbereik van 243 K tot 343 K. De experimentele opstelling omvatte het verwerven van spectra onder variërende omstandigheden, inclusief verschillende acquisitiesnelheden, spectrale bereiken en sensorconfiguraties (bulk diamantdeeltjes versus chips).

De methodologie vergelijkt drie categorieën benaderingen:

1. Expert Knowledge (EK) Modellen: Traditionele lineaire regressiemodellen gebaseerd op fysisch gemotiveerde kenmerken (ZPL-amplitude, piekentrum, breedte, Debye-Waller factor en KL-divergentie).
2. Ongesuperviseerde Dimensiereductie: Principal Component Analysis (PCA) en Autoencoders (AE), die laagdimensionale representaties leren zonder expliciete temperatuurlabels.
3. Gesuperviseerde Leermodellen: Linear Discriminant Analysis (LDA), Multi-Layer Perceptrons (MLP), Convolutional Neural Networks (CNN) en een "Geoptimaliseerde MLP" (een 6-laags netwerk met sigmoïdale activatiefuncties).

Een nieuw interpreteerbaar kader, getiteld "explainable modes of deviation" (xMoDs), werd geïntroduceerd om de latente ruimte van deze modellen te visualiseren. xMoDs projecteren de activaties van verborgen lagen of dimensionaliteitsreductie-outputs terug op de oorspronkelijke spectrale ruimte, waardoor onderzoekers kunnen identificeren welke spectrale componenten (bijv. ZPL-verschuivingen, PSB-veranderingen of ruisartefacten) de voorspellingen van het model aansturen. Daarnaast werden sparse regressie en afstandsberekeningen gebruikt om de door ML-modellen geleerde kenmerken te vergelijken met die afgeleid uit expertkennis.

Belangrijkste Resultaten
De studie toont aan dat deep learning modellen zowel expert-afgeleide lineaire modellen als eenvoudigere ML-technieken significant overtreffen:

• Verbetering van de Nauwkeurigheid: Expert-afgeleide univariate en multivariate regressiemodellen leverden testfouten tussen 4,1 K en 19,6 K op. In tegen tegenstelling hiertoe behaalde de optimale 6-laagse MLP met sigmoïdale activatie een gemiddelde testfout van ≈0,015 K (15 mK) voor Sensor A. Dit vertegenwoordigt een ≥200-voudige verbetering ten opzichte van de beste multivariate regressiemodellen en een verbetering tot 600-voudig ten opzichte van eerdere all-optische resultaten.
• Modelprestatie Hiërarchie: De Geoptimaliseerde MLP (sigmoïdaal) presteerde beter dan ReLU-gebaseerde MLPs, die op hun beurt beter presteerden dan CNN's, LDA, PCA en Autoencoders. Opvallend genoeg presteerden ongesuperviseerde Autoencoders slechter dan PCA, wat suggereert dat het reconstructiedoel van AE's "donkere variabelen" (niet-thermische dynamische informatie) behoudt die nadelig zijn voor temperatuurregressie.
• Sensorvariabiliteit: Terwijl Sensor A de hoogste nauwkeurigheid bereikte (15 mK), vertoonden Sensoren B en C hogere fouten (0,28 K en 0,80 K, respectievelijk), toegeschreven aan verschillen in experimentele omstandigheden zoals het spectrale bereik (Sensor B sloot langere PSB-golflengten uit) en fotonflux (Sensor C had een lagere collectie-efficiëntie).

Interpretatiebevindingen (xMoDs)
De xMoD-analyse onthulde duidelijke verschillen in hoe modellen data verwerken:

• Ongesuperviseerd vs. Gesuperviseerd: Ongesuperviseerde methoden (PCA, AE) produceerden modi die sterk gecorreleerd waren met expertkennis-kenmerken (bijv. ZPL-amplitude), wat aangeeft dat ze algemene spectrale variantie vastleggen. Gesuperviseerde methoden (LDA, MLP) identificeerden onderscheidende latente subruimtes die specifiek geoptimaliseerd zijn voor temperatuur, waarbij ze vaak delen van het spectrum (zoals de langgolvige PSB) negeerden die ongesuperviseerde methoden als belangrijk voor reconstructie beschouwden.
• Ruisisolatie: De superieure prestatie van de Geoptimaliseerde MLP werd toegeschreven aan het vermogen om niet-thermische artefacten te isoleren. De xMoDs van dit model toonden de detectie van "kosmische straal"-pieken en strooilicht-events (bijv. een unieke piek voorbij 775 nm) die andere modellen ofwel middelden of niet konden onderscheiden. Door deze niet-thermische gebeurtenissen te isoleren, voorkwam het model dat zij de temperatuurinferentie verstoorden.

Betekenis en Claims
Het artikel beweert dat diepe neurale netwerken, wanneer ze worden gecombineerd met interpreteerbare kaders zoals xMoDs, het volledige potentieel van all-optische NV-thermometrie kunnen ontsluiten. De primaire betekenis ligt in:

1. Het Doorbreken van de Nauwkeurigheidsbarrière: Het bereiken van 15 mK nauwkeurigheid plaatst ML-verbeterde all-optische thermometrie op een concurrerend niveau met legacy-technologieën (zoals dunne-film weerstandsthermometers) en andere opkomende kwantummetingsmethoden.
2. Mechanistisch Inzicht: Het xMoD-kader biedt een "spectroscopist-vriendelijke" lens om te begrijpen waarom diepe modellen succesvol zijn, wat verder gaat dan de "black box"-perceptie. Het demonstreert dat deze modellen leren om niet-thermische ruis te filteren en zich te concentreren op specifieke, temperatuurgevoelige spectrale componenten die lineaire modellen missen.
3. Data-gestuurde Optimalisatie: De resultaten suggereren dat het gehele NV-PL-spectrum dynamische informatie bevat die relevant is voor temperatuur en die ontoegankelijk is voor feature-engineered benaderingen, wat de verschuiving naar end-to-end deep learning voor spectroscopische regressie-taken valideert.

De auteurs concluderen dat hoewel modelcomplexiteit geen garantie is voor prestaties (zoals te zien is bij de onderpresterende Autoencoders), de combinatie van een geschikte architectuur (sigmoïdale MLPs), rigoureuze preprocessing en interpreteerbaarheidsinstrumenten (xMoDs) essentieel is voor het realiseren van hoogprecisie, all-optische temperatuurmeting.