Physics-guided machine learning for sim-to-real calibration of NV diamond magnetometers
本文介绍了一种物理引导的混合机器学习框架，该框架通过将塞曼分裂嵌入学习流程中，以克服仿真与现实之间的失配以及数据稀缺问题，在校准用于鲁棒、自校准矢量磁力计的 NV 金刚石磁力计方面实现了 372 倍的精度提升。
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
想象一个这样的世界：磁力的无形力量可以像用显微镜观察一样，被精准地绘制出来，甚至是在现实世界中那些混乱、未受屏蔽的环境中。几十年来，科学家们一直依赖于钻石晶体内部的一种特定类型的缺陷，将其作为一种微小的、超灵敏的指南针。这些被称为氮-空位（nitrogen-vacancy）中心的缺陷，本质上是钻石晶格中缺失的原子，它们表现得如同量子传感器。当你用绿色激光照射它们并送入微波时，它们会发出亮度发生变化的荧光，这种亮度的变化取决于周围磁场的强度。这种被称为光检测磁共振（optically detected magnetic resonance）的荧光响应，使得研究人员能够以惊人的灵敏度测量磁场，甚至可以达到单个原子的水平。然而，将这种脆弱的量子现象转化为一种坚固、可投入实用的工具，一直是一个棘手的挑战。在温度稳定、没有噪声的安静实验室里，这些传感器表现得非常完美。但一旦步入一个温度波动、电磁干扰频发且设备不完善的现实世界，信号就会变成一团乱麻。传统的处理方法通常需要海量的数据，或者必须不断连接到像GPS这样的外部参考源，这违背了拥有独立自主传感器的初衷。
来自加州州立大学圣伯纳迪诺分校和韩国蔚山科学技术研究院的研究团队发现了一种方法，可以教会计算机如何在不需要完美环境或海量数据的情况下，去读取这些杂乱的信号。他们开发了一种新型的人工智能，这种人工智能不仅仅是从数字中猜测模式，而是被迫去理解支配钻石传感器的实际物理定律。研究人员并没有让计算机仅仅通过试错来学习（因为在数据存在噪声时，试错法往往会导致混乱），而是将磁场如何分裂能级的基本规则直接构建到了学习过程中。这种被称为“物理引导机器学习”（physics-guided machine learning）的方法，就像一位严厉的老师，确保学生即使在面对困难的测试题时，也绝不会忘记宇宙的基本法则。
研究人员测试了三种不同的训练计算机解码钻石荧光所代表的磁场的方法。第一种方法是标准的统计学方法，即计算机只是观察原始数据并试图寻找模式，而不借助任何物理学知识。这种方法表现得非常吃力，尤其是在磁场较弱时，经常产生剧烈波动且极不准确的结果。第二种方法将物理定律直接嵌入到钻石的训练中。通过强制要求计算机遵循磁场与光频率之间的特定关系，该模型变得更加稳定。它学会了忽略噪声并专注于真实的信号。第三种也是最成功的方法，是将前两种方法结合成一个强大的单一系统。这种混合方法既利用了物理模型的稳定性，又结合了统计模型的灵活性，从而创造出一种能够应对现实世界硬件缺陷的工具。
实验结果令人瞩目。当研究人员将这种新系统与旧的纯统计方法进行对比测试时，提升幅度是巨大的。新的物理引导模型将平均误差降低了近99%，实现了比基准高出372倍的精度水平。从实际意义上讲，这意味着在模拟数据上，该传感器确定磁场强度的误差范围仅为51十亿分之一特斯拉，而之前的模型误差则大得多。至关重要的是，这一高精度指标适用于系统在合成数据上的表现。当该系统被用于解码真实的、未经校准的实验数据时，它仍然成功地弥合了模拟与现实之间的差距，实现了7.97高斯的平均绝对误差。这证明了该系统能够学会识别其实际设备的特定特性和缺陷，从而能够以极高的可靠性解码原始且多噪的信号。
这项工作为量子传感技术指明了一条新的道路。它表明，通过将人工智能的速度和适应性与物理定律不可撼动的约束相结合，科学家可以创造出既高度精确又足以应对现实世界的稳健传感器。研究人员展示了他们的方法可以成功解码来自钻石传感器的未经校准的数据，这种能力最终可能使这些设备能够在偏远地区、移动车辆上或无法接收GPS信号的环境中独立运行。通过证明机器学习模型可以受到自然界基本方程的引导，该团队为新一代自校准仪器开启了大门。这些工具有一天可能会通过无人机绘制地球磁场，或者在无需浮出水面的情况下引导潜艇航行，亦或是探测地下资源，而无需人类操作员进行不断的调整。研究证实，当人工智能植根于宇宙运作的现实时，它能够解决纯数学或纯物理都无法单独解决的问题。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。