論文の概要: Computationally Tractable Offline Quantum Experimental Design for Nuclear Spin Detection
- arxiv url: http://arxiv.org/abs/2508.21450v1
- Date: Fri, 29 Aug 2025 09:29:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-01 19:45:10.989453
- Title: Computationally Tractable Offline Quantum Experimental Design for Nuclear Spin Detection
- Title（参考訳）: 核スピン検出のための計算的トラクタブルオフライン量子実験設計
- Authors: B. Varona-Uriarte, F. Belliardo, T. H. Taminiau, C. Bonato, E. Garrote, J. Casanova,
- Abstract要約: 本研究では,測度におけるデータ点の選択を最適化するために代理情報ゲイン(SIG)を導入する。
このアプローチは核スピン検出の精度を維持しながら実験における時間要求を著しく低減する。
この研究は、実験データに対するSALIの最初の検証でもある。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The characterization of nuclear spin environments in solid-state devices plays an important role in advancing quantum technologies, yet traditional methods often demand long measurement times. To address this challenge, we extend our recently developed deep-learning-based SALI model (Signal-to-image ArtificiaL Intelligence) by introducing the surrogate information gain (SIG) to optimize the selection of data points in the measurements. This approach significantly reduces time requirements in experiments while preserving accuracy in nuclear spin detection. The SIG is a figure of merit based on the expected variance of the signal, which is more straightforward to compute than the expected information gain rooted in Bayesian estimation. We demonstrate our approach on a nitrogen-vacancy (NV) center in diamond coupled to $^{13}$C nuclei. In the high-field regime, our variance-based optimization is validated with experimental data, resulting in an 85$\%$ reduction in measurement time for a modest reduction in performance. This work also constitutes the first validation of SALI on experimental data. In the low-field regime, we explore its performance on simulated data, predicting a 60$\%$ reduction in the total experiment time by improving the temporal resolution of the measurements and applying SIG. This demonstrates the potential of integrating deep learning with optimized signal selection to enhance the efficiency of quantum sensing and nuclear spin characterization, paving the way for scaling these techniques to larger nuclear spin systems.
- Abstract（参考訳）: 固体デバイスにおける核スピン環境のキャラクタリゼーションは量子技術の進歩に重要な役割を果たすが、従来の手法では長い測定時間を必要とすることが多い。
この課題に対処するために、我々は最近開発された深層学習に基づくSALIモデル(Signal-to-image ArtificiaL Intelligence)を拡張し、測定におけるデータポイントの選択を最適化するためにSIGを導入した。
このアプローチは核スピン検出の精度を維持しながら実験における時間要求を著しく低減する。
SIGは信号の予測分散に基づくメリットの図であり、ベイズ推定に根ざした期待情報よりも計算が容易である。
我々は, ダイヤモンド中の窒素空孔(NV)中心に$^{13}$C核を結合したアプローチを実証した。
高磁場状態下では, 分散に基づく最適化を実験データで検証し, 測定時間を85$\%削減し, 性能を適度に低減する。
この研究は、実験データに対するSALIの最初の検証でもある。
実測値の時間分解能の向上とSIGの適用により,実験時間全体の60$\%の削減を予測し,シミュレーションデータ上での性能について検討した。
このことは、深層学習と最適化された信号選択を統合することにより、量子センシングと核スピンのキャラクタリゼーションの効率を高める可能性を示し、これらの技術をより大きな核スピンシステムに拡張する方法を開拓する。
関連論文リスト
- Probing Deep into Temporal Profile Makes the Infrared Small Target Detector Much Better [63.567886330598945]
赤外線小目標(IRST)検出は、精度、普遍性、堅牢性、効率的な性能を同時に達成する上で困難である。
現在の学習に基づく手法は、空間的領域と短期的領域の両方から"より多くの情報を活用する。
本稿では、IRST検出のための時間次元でのみ計算を行う効率的な深部プローブネットワーク(DeepPro)を提案する。
論文 参考訳（メタデータ） (2025-06-15T08:19:32Z) - An Investigation on Machine Learning Predictive Accuracy Improvement and Uncertainty Reduction using VAE-based Data Augmentation [2.517043342442487]
深層生成学習は、特定のMLモデルを使用して、既存のデータの基盤となる分布を学習し、実際のデータに似た合成サンプルを生成する。
本研究では,変分オートエンコーダ(VAE)を用いた深部生成モデルを用いて,データ拡張の有効性を評価することを目的とする。
本研究では,拡張データを用いてトレーニングしたディープニューラルネットワーク(DNN)モデルの予測において,データ拡張が精度の向上につながるかどうかを検討した。
論文 参考訳（メタデータ） (2024-10-24T18:15:48Z) - Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。
本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
論文 参考訳（メタデータ） (2024-07-12T18:00:02Z) - Low-Frequency Load Identification using CNN-BiLSTM Attention Mechanism [0.0]
非侵入負荷モニタリング(Non-Inrusive Load Monitoring, NILM)は、効率的な電力消費管理のための確立された技術である。
本稿では,畳み込みニューラルネットワーク(CNN)と双方向長短期記憶(BILSTM)を組み合わせたハイブリッド学習手法を提案する。
CNN-BILSTMモデルは、時間的(時間的)と空間的(位置的)の両方の特徴を抽出し、アプライアンスレベルでのエネルギー消費パターンを正確に識別することができる。
論文 参考訳（メタデータ） (2023-11-14T21:02:27Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-03T06:19:20Z) - Label-free timing analysis of SiPM-based modularized detectors with
physics-constrained deep learning [9.234802409391111]
モジュール化検出器のタイミング解析のためのディープラーニングに基づく新しい手法を提案する。
本稿では,提案手法が求める最適関数の存在を数学的に証明し,モデルのトレーニングと校正のための体系的アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-24T09:16:31Z) - Neural Importance Sampling for Rapid and Reliable Gravitational-Wave
Inference [59.040209568168436]
まず、ニューラルネットワークを用いてベイズ後部への高速な提案を行い、その基礎となる可能性と事前に基づいて重み付けを行う。
本発明は,(1)ネットワーク不正確性のない修正後部,(2)提案案の評価と故障事例の同定のための性能診断(サンプル効率),(3)ベイズ証拠の偏りのない推定を提供する。
LIGOとVirgoで観測された42個のブラックホールをSEOBNRv4PHMとIMRPhenomHMXP波形モデルで解析した。
論文 参考訳（メタデータ） (2022-10-11T18:00:02Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳（メタデータ） (2020-03-26T11:13:07Z)
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。