論文の概要: Evaluating probabilistic and data-driven inference models for fiber-coupled NV-diamond temperature sensors
- arxiv url: http://arxiv.org/abs/2409.09487v1
- Date: Sat, 14 Sep 2024 17:23:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-17 20:37:27.341061
- Title: Evaluating probabilistic and data-driven inference models for fiber-coupled NV-diamond temperature sensors
- Title（参考訳）: 繊維結合型NVダイヤモンド温度センサの確率的およびデータ駆動推論モデルの評価
- Authors: Shraddha Rajpal, Zeeshan Ahmed, Tyrus Berry,
- Abstract要約: 連続波光磁気共鳴(ODMR)測定による温度推定における推定モデルが不確実性に与える影響について検討した。
このモデルでは、スピンハミルトンパラメータの温度依存性を利用して、ODMRデータのスペクトル特徴から温度を推定する。
- 参考スコア（独自算出の注目度）: 0.7140163200313723
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We evaluate the impact of inference model on uncertainties when using continuous wave Optically Detected Magnetic Resonance (ODMR) measurements to infer temperature. Our approach leverages a probabilistic feedforward inference model designed to maximize the likelihood of observed ODMR spectra through automatic differentiation. This model effectively utilizes the temperature dependence of spin Hamiltonian parameters to infer temperature from spectral features in the ODMR data. We achieve prediction uncertainty of $\pm$ 1 K across a temperature range of 243 K to 323 K. To benchmark our probabilistic model, we compare it with a non-parametric peak-finding technique and data-driven methodologies such as Principal Component Regression (PCR) and a 1D Convolutional Neural Network (CNN). We find that when validated against out-of-sample dataset that encompasses the same temperature range as the training dataset, data driven methods can show uncertainties that are as much as 0.67 K lower without incorporating expert-level understanding of the spectroscopic-temperature relationship. However, our results show that the probabilistic model outperforms both PCR and CNN when tasked with extrapolating beyond the temperature range used in training set, indicating robustness and generalizability. In contrast, data-driven methods like PCR and CNN demonstrate up to ten times worse uncertainties when tasked with extrapolating outside their training data range.
- Abstract（参考訳）: 連続波光磁気共鳴(ODMR)測定による温度推定における推定モデルが不確実性に与える影響について検討した。
本手法は,自動微分によるODMRスペクトルの観測可能性の最大化を目的として,確率的フィードフォワード推定モデルを利用する。
このモデルでは、スピンハミルトンパラメータの温度依存性を利用して、ODMRデータのスペクトル特徴から温度を推定する。
確率モデルをベンチマークするために、パラメータなしピークフィニング手法と、プリンシパルコンポーネント回帰(PCR)や1D畳み込みニューラルネットワーク(CNN)などのデータ駆動手法を比較した。
トレーニングデータセットと同じ温度範囲を含むサンプル外データセットに対する検証では、分光-温度関係のエキスパートレベルの理解を取り入れることなく、0.67K以下の不確実性を示すことができる。
しかし, この確率モデルは, トレーニングセットの温度範囲を超えて外挿を行う場合, PCRとCNNのどちらよりも優れており, 堅牢性と一般化性を示している。
対照的に、PCRやCNNのようなデータ駆動の手法は、トレーニングデータの範囲外で外挿を行うタスクを行う場合、最大で10倍の不確実性を示す。
関連論文リスト
- A model learning framework for inferring the dynamics of transmission rate depending on exogenous variables for epidemic forecasts [3.3385430106181184]
我々は,透過率の隠れたダイナミクスを再構築するために,新しい科学機械学習フレームワークを定式化した。
本手法は,2010年から2020年までのイタリアにおける気象データ(温度・湿度)とインフルエンザデータに基づいて,合成テストケースと現実テストケースの両方を用いて検証した。
論文 参考訳（メタデータ） (2024-10-15T12:24:55Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Spatially-resolved Thermometry from Line-of-Sight Emission Spectroscopy
via Machine Learning [2.449329947677678]
本研究の目的は, 温度分布測定におけるデータ駆動モデルの利用について検討することである。
i)特徴工学と古典的機械学習アルゴリズム、(ii)エンドツーエンド畳み込みニューラルネットワーク(CNN)の2つのカテゴリが分析されている。
本手法は, ガス混合ガス中の種濃度分布が未知であっても, 低分解能スペクトルから不均一な温度分布を測定することができる。
論文 参考訳（メタデータ） (2022-12-15T13:46:15Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Learning to discover: expressive Gaussian mixture models for
multi-dimensional simulation and parameter inference in the physical sciences [0.0]
複数の観測可能量を記述する密度モデルは, 自己回帰型ガウス混合モデルを用いて生成できることを示す。
このモデルは、観測可能なスペクトルが仮説の変化によってどのように変形するかを捉えるように設計されている。
実験観測の解釈における科学的発見の統計モデルとして用いられることもある。
論文 参考訳（メタデータ） (2021-08-25T21:27:29Z) - Machine classification for probe based quantum thermometry [0.0]
プローブに基づく量子温度測定を考察し、機械分類がモデルに依存しない推定を提供することを示す。
提案手法はk-nearest-neighborアルゴリズムに基づく。
論文 参考訳（メタデータ） (2021-07-09T17:16:27Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - Adiabatic Sensing Technique for Optimal Temperature Estimation using
Trapped Ions [64.31011847952006]
捕捉イオンを用いた最適なフォノン温度推定のための断熱法を提案する。
フォノンの熱分布に関する関連する情報は、スピンの集合的な自由度に伝達することができる。
それぞれの熱状態確率は、各スピン励起構成に近似的にマッピングされることを示す。
論文 参考訳（メタデータ） (2020-12-16T12:58:08Z) - Score-Based Generative Modeling through Stochastic Differential
Equations [114.39209003111723]
複素データ分布を雑音を注入することによって既知の事前分布に変換する微分方程式を提案する。
対応する逆時間SDEは、ノイズを緩やかに除去し、先行分布をデータ分布に戻す。
スコアベース生成モデリングの進歩を活用することで、これらのスコアをニューラルネットワークで正確に推定することができる。
スコアベース生成モデルから1024×1024画像の高忠実度生成を初めて示す。
論文 参考訳（メタデータ） (2020-11-26T19:39:10Z) - Real-time parameter inference in reduced-order flame models with
heteroscedastic Bayesian neural network ensembles [1.7188280334580197]
私たちは2100万のシミュレートされたフレイムビデオのライブラリーでネットワークをトレーニングします。
トレーニングされたニューラルネットワークは、プレミックスされたブンゼン火炎の実ビデオからモデルパラメータを推測するために使用される。
論文 参考訳（メタデータ） (2020-10-11T15:04:34Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。