⚡ electrical engineering

Bayesian quantum sensing using graybox machine learning

本文展示了首次关于灰盒机器学习框架的实验演示，该框架将基于物理的模型与数据驱动的修正相结合，以显著提高贝叶斯量子传感在静态磁场估计中的精度，其性能优于纯解析方法，且比全深度学习模型所需的资源更少。

原作者： Akram Youssry, Stefan Todd, Patrick Murton, Muhammad Junaid Arshad, Alberto Peruzzo, Cristian Bonato

发布于 2026-01-27

📖 1 分钟阅读☕ 轻松阅读

原作者： Akram Youssry, Stefan Todd, Patrick Murton, Muhammad Junaid Arshad, Alberto Peruzzo, Cristian Bonato

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在试图调试一台非常陈旧、非常灵敏的收音机，以寻找某个特定的电台。在理想世界中，你只需转动旋钮，收音机就会准确地告诉你电台的位置。但在现实世界中，这台收音机生锈了，电池没电了，天线弯曲了，而且附近还有电线的静电干扰。如果你仅凭一本关于收音机应该如何工作的完美教科书图解来尝试调频，你很可能会迷失在静电之中，永远也找不到电台。

这篇论文是关于如何为这种“收音机”构建一种更聪明的调频方式——在这种情况下，这个“收音机”是一个由单个原子（具体来说是钻石中的一个缺陷，称为 NV 色心）组成的量子传感器，用于测量磁场。

以下是他们方法的简单类比拆解：

1. 问题所在：“完美”模型 vs. 现实

科学家们尝试了两种主要方法来确定磁场强度：

“白盒”方法（教科书）： 这就像是仅凭一本完美的工程手册来调试收音机。你知道物理定律，所以你写下一个描述传感器应该如何表现的方程。问题在于，现实生活是混乱的。传感器有“锈迹”（缺陷），信号会被导线扭曲（噪声），温度的变化也会改变一切。教科书模型并不知道这些混乱的细节，因此当它试图猜测磁场时，它会出错。
“黑盒”方法（人工智能）： 这就像是雇佣了一位从未见过收音机、但已经听过数百万小时静电声的超级智能 AI。它通过观察噪声中的模式来学习如何猜测电台。问题是，它需要海量的数据进行学习，训练时间极长，而且它是一个“黑盒”——你无法知道它为什么做出某个猜测，这使得它在科学研究中显得不可靠。

2. 解决方案：“灰盒”（两全其美）

作者创建了一个**“灰盒”*模型。可以把这想象成一个混合型技师，他既精通工程手册，又对这台特定*生锈收音机的行为有一种“第六感”。

物理部分（白盒）： 该模型仍然使用已知的物理定律来理解实验的基本结构。它知道量子原子在面对磁场时应该如何反应。
机器学习部分（黑盒）： 模型添加了一个“神经网络”（一种 AI 类型），它扮演着侦探的角色。它观察来自实验的实际数据，并学习识别那些物理手册遗漏的特定“锈迹”和“静电”。它学习的是“应该发生什么”与“实际发生了什么”之间的差异。

通过结合这两者，灰盒模型既拥有 AI 的准确性，又不需要数百万个数据点，同时保留了物理模型的可靠性。

3. 实验：调试量子收音机

团队在爱丁堡实验室的一个真实量子传感器上测试了这一点。

任务： 他们想要测量一个静态磁场（即“电台”）。
过程： 他们让传感器运行一系列特定的脉冲序列（就像来回转动收音机旋钮一样）。
训练： 他们向灰盒模型输入了大约 10,000 个关于传感器在不同设置下如何反应的示例。这虽然很多，但远比纯 AI 需要的数据量要少。
结果： 当他们使用灰盒模型来猜测磁场时，其准确度比仅使用教科书的模型高出几个数量级。
- 类比： 如果教科书模型猜电台是“100.5 FM”，而实际是“100.0 FM”，那么灰盒模型猜出的可能是“100.01 FM”。教科书模型的误差很大；而灰盒模型几乎是完美的。

4. 为什么这很重要（根据论文所述）

论文强调，这不仅仅是关于做一个更好的猜测，更是关于信任。

在量子传感领域，如果你的模型稍有偏差，你的控制系统可能会做出错误的决策，导致整个实验失败或变得不稳定。
灰盒模型充当了一个“说实话的人”。它准确地告诉计算机传感器当前是如何表现的，包括它所有的缺陷。
这实现了自适应传感：系统可以根据灰盒模型的预测实时调整策略，从而实现更精确的测量。

总结

论文声称，这是首次将这种特定的“灰盒”策略应用于真实的物理量子系统（而非仅仅是计算机模拟）。他们证明了，通过教计算机在保持核心物理特性完整的同时，去学习真实世界量子传感器的“缺陷”，我们可以以惊人的精度测量磁场，其表现远优于仅使用物理学的方法。

他们并没有声称：

他们并未声称这已经可以用于医院或医疗设备。
他们并未声称这适用于所有类型的量子传感器（他们测试的是特定的钻石缺陷）。
他们并未声称这能瞬间解决所有噪声问题；它仍然需要一个使用真实数据的训练阶段。

简而言之，他们为量子传感器构建了一个“聪明技师”，这个技师既懂得物理规则，又懂得如何应对实验室中混乱的现实，从而实现了更精准的测量。

技术摘要：基于灰盒机器学习的贝叶斯量子传感

问题陈述
量子传感器在材料科学到医疗保健等应用的空域分辨率和灵敏度方面具有变革性的潜力。然而，其在实际部署中受到理想化理论模型与现实实验条件之间差距的阻碍。在现实环境中，传感器性能会因未建模效应而下降，包括状态制备缺陷、复杂的环境相互作用（噪声）、外部参数依赖性（如温度、振动）以及非理想控制场（脉冲畸变）。

这些不准确性对于贝叶斯推断（一种用于最优参数估计和自适应控制的概率框架）尤其有害。贝叶斯方法依赖于一个“似然”函数，根据测量数据来更新关于未知参数的信念。如果传感器的底层模型不能忠实地代表实验现实，似然函数就会变得不准确，导致次优的控制决策、数值不稳定性和估计精度下降。纯解析式（“白盒”）模型往往无法捕捉这些复杂的非理想特性，而完全数据驱动（“黑盒”）的深度学习模型则需要过多的训练数据且缺乏物理可解释性，这使得它们在许多量子传感任务中难以实现。

方法论
作者提出了一种“灰盒”（GB）建模策略，该策略将基于物理的系统模型与对实验缺陷的数据驱动描述相结合。该方法在固体开放量子系统——用于通过拉姆齐干涉测量（Ramsey interferometry）估计静态磁场的单氮-空位（NV）色心中得到了实验验证。

理论框架：
- 白盒（WB）基准： 作者首先建立了一个基于拉姆зи实验哈密顿量的标准物理模型。该模型考虑了已知的误差，如状态制备保真度损失和读取缺陷，但假设控制脉冲是理想的，并采用了简化的噪声模型。
- 灰盒架构： 提出的 GB 模型结合了“黑盒”（BB）神经网络与“白盒”（WB）物理层。
  - 输入： 理想脉冲参数（延迟 $\tau$ 、相位 $\phi$ 、拉莫尔频率 $f_B$ ）、外部参数 ( $\vec{\chi}$ ) 以及探测器校准系数 ( $\pi_0, \pi_1$ )。
  - 黑盒组件： 一个深度神经网络（8 层）处理输入，以预测噪声算符 ( $\hat{V}_Z$ ) 的矩阵参数化表示。该组件直接从数据中学习由噪声、不完美脉冲和环境因素引起的未知偏差。
  - 白盒组件： 网络输出被集成到物理层中，物理层重建理想的拉姆齐幺正演化并应用噪声算符，以计算期望值 $\langle Z \rangle$ 。
  - 输出： 最终层使用校准后的读取模型计算探测器点击概率 ( $P_{cl}$ )，从而有效地生成高度准确的似然函数 $P(r|f_B)$ 。
实验方案：
- 数据采集： 实验在室温下的单 NV 色心上进行。收集了一个包含约 10,000 个数据点的集合，涵盖了具有不同延迟和相位的随机化拉姆齐序列。
- 训练： GB 模型使用基于预测点击概率与实验测量概率之间的均方误差（MSE）对数损失函数进行训练。数据集按 90/10 的比例分为训练集和测试集。
- 贝叶斯估计： 训练好的 GB 模型被嵌入到贝叶斯推断循环中。算法从均匀先验开始，利用 GB 推导出的似然函数，根据测量结果迭代更新未知拉莫尔频率的后验分布。

核心贡献

首次实验演示： 本研究展示了针对固体开放量子系统的灰盒建模策略的首次实验实现。此前该框架的应用仅限于数值模拟或光子电路。
混合建模框架： 作者展示了噪声算符形式化与机器学习的严格集成，使得模型能够捕捉难以通过解析手段表征的复杂非马尔可夫动力学和脉冲畸变。
改进的似然函数： 通过在先前的实验数据上进行训练，GB 方法生成的似然函数比纯解析模型显著更准确，直接解决了标准贝叶斯推断在噪声环境中的失效模式。

结果
GB 模型的性能使用相同的实验数据在磁场估计任务中与标准白盒模型进行了基准测试。

准确度： 与白盒模型相比，GB 模型实现了几个数量级的均方误差（MSE）提升。GB 模型的 MSE 分布中心约为 $10^{-5}$ (MHz) $^2$ ，而白盒模型中心约为 $10$ (MHz) $^2$ 。
收敛性： 虽然估计值的方差表明贝叶斯过程对两种模型都收敛，但由于模型失配，白盒模型经常收敛到错误的值。GB 模型在 156/159 个测试案例中成功收敛至真实频率。
鲁棒性： 即使在 GB 模型未能完全收敛的最坏情况下，其估计误差也明显低于白盒方法。

意义
该论文声称，这项工作建立了一个提高现实环境中量子传感器性能的框架。其意义在于证明了灰盒模型可以在不依赖于高昂数据需求的黑盒方法的前提下，弥合理论物理与实验现实之间的鸿沟。

自适应控制： 作者强调，准确的预测模型对于实时自适应协议至关重要。即使是轻微的模型误差也可能导致控制回路不稳定；GB 方法缓解了这一风险。
可扩展性： 该方法被认为广泛适用于包括单自旋系统在内的各种量子传感平台。作者指出，对于更复杂的脉冲序列（如多脉冲动力学解耦），可以通过为基础单元训练更小的模块化黑盒组件来管理计算需求。
未来集成： 这项工作为将灰盒模型与实时贝叶斯实验设计及强化学习相结合奠定了基础，其中模型的微分特性允许优化信息论量（如费舍尔信息量）。

作者对数据采集时间保持谦逊，指出由于校准和漂移，收集 10,000 个数据点的时间耗费了数周，但他们建议光学性能的改进可以将此缩短至一小时以内。他们总结道，这种方法为构建可扩展、可解释且高性能的量子传感提供了关键基石。

1. 问题所在：“完美”模型 vs. 现实

2. 解决方案：“灰盒”（两全其美）

3. 实验：调试量子收音机

4. 为什么这很重要（根据论文所述）

总结

类似论文