Maskinindlæring baner vejen for kvantesensering på næste niveau

Forskere ved University of Bristol har nået nye højder af raffinement i at opdage magnetiske felter med ekstrem følsomhed ved stuetemperatur ved at kombinere maskinlæring med en kvantesensor.

Fundene, udgivet i Fysisk gennemgang X , kunne føre til en ny generation af MR -scannere, der bruger magnetiske felter og radiobølger til at producere detaljerede billeder af kroppens inderside, samt yderligere potentielle anvendelser inden for biologi og materialevidenskab.

Disse fund blev opnået ved hjælp af en kombination af maskinlæringsteknikker - hvor computere tilpasser sig og lærer af erfaringer, som mennesker og dyr naturligvis gør - og kvanteføler.

Forskere fra Quantum Engineering and Technology Labs (QETLabs) ved University of Bristol, i samarbejde med Institute for quantum optics fra University of Ulm og Microsoft, har demonstreret dette ved hjælp af en kvantesensor baseret på elektron-spin i et nitrogen-ledigt (NV) center i en diamant.

Nitrogen-vacancy (NV) centre er atomdefekter, der kan findes eller skabes i en diamant. De tillader en at interagere med enkelte elektroner, som igen kan bruges til at registrere både elektriske og magnetiske felter. Deres unikke kombination af høj rumlig opløsning og følsomhed har ført til undersøgelse af scenarier, hvor aktiviteten af ​​enkelte neuroner overvåges og kortlægges ned til nanoskalaen. Imidlertid, sådanne nanoskala-nukleare magnetiske resonansapplikationer er begrænset af støj fra den optiske aflæsning, der er tilgængelig ved stuetemperatur i topmoderne opsætninger.

Dr. Anthony Laing, University of Bristol hovedforsker, sagde:"Vi forventer, at implementeringen af ​​vores teknikker kan låse op for uudforskede regimer i en ny generation af sanseeksperimenter, hvor sporing i realtid og øget følsomhed er afgørende ingredienser for at udforske fænomener på nanoskala. "

Dr. Raffaele Santagati, Research Associate ved University of Bristols Center for Quantum Photonics, sagde:"Her viser vi, hvordan maskinlæring kan hjælpe med at overvinde disse begrænsninger for præcist at spore et svingende magnetfelt ved stuetemperatur med en følsomhed, der typisk er forbeholdt kryogene sensorer."

Medforfatter Antonio Gentile sagde:"I vores papir, vi viser, hvordan en bayesisk inferensmetode med succes kan lære magnetfeltet og andre fysiske vigtige mængder fra naturligt støjende data. Dette giver os mulighed for at slappe af kompleksiteten af ​​datalæsningsprocessen på bekostning af avanceret databehandling. "

Kvælstof-ledige centre, fundet i diamantfejl, allerede er blevet brugt i demonstrationer af deres sansemuligheder, men støj og uønskede interaktioner kan begrænse deres anvendelighed til virkelige scenarier. Resultaterne præsenteret i dette arbejde viser, hvordan man kan overvinde disse begrænsninger.