論文の概要: NVRNet: Deep Learning Model for Fast Nitrogen Vacancy Characterization under Room Temperature

• arxiv url: http://arxiv.org/abs/2603.14144v1
• Date: Sat, 14 Mar 2026 22:20:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.630292
• Title: NVRNet: Deep Learning Model for Fast Nitrogen Vacancy Characterization under Room Temperature
• Title（参考訳）: NVRNet:室温での高速窒素空力評価のためのディープラーニングモデル
• Authors: Chao Shang, Gregory D. Fuchs,
• Abstract要約: NVRNetは物理インフォームド・シミュレーション・トゥ・リアリティー・パイプラインである。 これは、ノイズの多いラムゼイ光発光跡の高速な取得をノイズ化された波形にマッピングする。 これは超微細結合を環境中の13mathrmC$スピンに推定する。
• 参考スコア（独自算出の注目度）: 2.6383100880758663
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Characterization of the local spin environment of single diamond nitrogen-vacancy centers is a critical task for quantum sensing, quantum networking, and diamond materials optimization. We introduce NVRNet, a physics-informed simulation-to-reality pipeline that maps a fast acquisition, noisy Ramsey photoluminescence (PL) trace to a denoised waveform as well as outputting a direct estimate of hyperfine coupling to ${}^{13}\mathrm{C}$ spins in the environment. The denoiser is a two-stage time-frequency UNet followed by an attention-augmented time-domain UNet, pretrained on Hamiltonian-based simulations with experimentally calibrated noise. The simulation-pretrained, experimentally fine-tuned denoiser reduces the median reconstruction error on held-out few-sweep experimental traces to $0.44$-$0.67\times$ that of the raw experimental noisy traces across the three NV centers. A transformer-based estimator trained on simulation labels then predicts hyperfine parameters, and forward reconstruction from the inferred parameters reproduces the dominant experimental time- and frequency-domain features, with representative normalized FFT reconstruction errors of 0.10-0.19. These results establish NVRNet as a fast, hardware-compatible route to hyperfine inference from minimal Ramsey data.
• Abstract（参考訳）: 単一ダイヤモンド窒素空孔中心の局所スピン環境のキャラクタリゼーションは、量子センシング、量子ネットワーク、ダイヤモンド材料最適化にとって重要な課題である。 NVRNetは,高速な取得,雑音のラムジー光ルミネッセンス (PL) をデノナイズド波形に追従する物理インフォームによるシミュレーション・トゥ・現実性パイプラインであり,超微細結合の直接推定を環境中の${}^{13}\mathrm{C}$スピンに出力する。 Denoiser は2段階の時間周波数 UNet であり、その後、実験的な校正ノイズを伴うハミルトンに基づくシミュレーションに基づいて、注意を増す時間領域 UNet が事前訓練されている。 シミュレーションによって予測された、実験的に微調整されたデノイザは、3つのNV中心にまたがる生の実験ノイズの痕跡を0.44$-$0.67\times$に減らした。 シミュレーションラベルに基づいてトレーニングされた変圧器ベースの推定器は、超微細パラメータを予測し、推定されたパラメータからの前方再構成は、代表的な正規化FFT再構成誤差0.10-0.19で、支配的な実験時間領域と周波数領域の特徴を再現する。 これらの結果は、最小限のRamseyデータから超微細な推論を行うための高速でハードウェア互換のルートとして、NVRNetを確立する。

関連論文リスト

• Physics-informed waveform inversion using pretrained wavefield neural operators [9.048550821334116]
  フルウェーブフォームインバージョン(FWI)は高分解能地下モデルの再構築に不可欠である。 学習波動場ニューラル演算子を用いてFWIを加速する最近の試みは、効率と微分可能性の有望性を示している。 ニューラル演算子に基づくFWIの効率を維持しつつ、精度の反転を高める新しい物理インフォームドFWIフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-10T19:57:18Z)
• InJecteD: Analyzing Trajectories and Drift Dynamics in Denoising Diffusion Probabilistic Models for 2D Point Cloud Generation [48.55037712252843]
  InJecteDは拡散確率モデル(DDPM)を解釈するフレームワーク このフレームワークをDatasaurus Dozen bullseye, dino, circleの3つのデータセットに適用する。 提案手法は, 変位, 速度, クラスタリング, ドリフト場力学などの軌道特性を定量的に評価する。
  論文  参考訳（メタデータ） (2025-09-09T14:53:19Z)
• Noise Conditional Variational Score Distillation [60.38982038894823]
  騒音条件変化スコア蒸留(NCVSD)は, 予混合拡散モデルから生成消音剤を蒸留する新しい方法である。 この知見を変分スコア蒸留フレームワークに組み込むことで、生成的デノイザのスケーラブルな学習を可能にする。
  論文  参考訳（メタデータ） (2025-06-11T06:01:39Z)
• Full waveform inversion with CNN-based velocity representation extension [4.255346660147713]
  フルウェーブフォームインバージョン(FWI)は、観測データとシミュレーションデータとの差を最小限にして速度モデルを更新する。 数値モデリングおよび不完全地震データ取得における離散化誤差は、隣接演算子を介して伝搬するノイズを導入することができる。 我々は、前方シミュレーションを実行する前に速度モデルを洗練するために畳み込みニューラルネットワーク(CNN)を用いる。 速度とネットワークパラメータの両方を更新するために、同じデータ不適合損失を使用して、自己教師付き学習手順を作成します。
  論文  参考訳（メタデータ） (2025-04-22T12:14:38Z)
• Ambient Noise Full Waveform Inversion with Neural Operators [11.44207799108199]
  近年の研究では、ニューラル演算子と呼ばれる新しい機械学習モデルが、従来の方法よりもはるかに高速にエラストダイナミック波動方程式のオーダーを解くことができることが示されている。 本研究では, 実地震データセット上での完全な波形インバージョンに対するニューラル演算子の最初の応用を実証する。
  論文  参考訳（メタデータ） (2025-03-19T09:10:43Z)
• TripleMixer: A 3D Point Cloud Denoising Model for Adverse Weather [10.564182855472328]
  逆気象条件は、LiDARベースの知覚モデルに重大な課題をもたらす。 本稿では,空間,周波数,チャネルワイズ処理を統合したポイントクラウドデノナイズネットワークであるTripleMixerを提案する。 大規模な実験により、TripleMixerは最先端のデノイング性能を達成している。
  論文  参考訳（メタデータ） (2024-08-25T10:45:52Z)
• Fast Information Streaming Handler (FisH): A Unified Seismic Neural Network for Single Station Real-Time Earthquake Early Warning [56.45067876391473]
  既存のEEWアプローチは、フェーズの選択、位置推定、大きさ推定を独立したタスクとして扱い、統一されたフレームワークを欠いている。 我々は高速情報ストリーミングハンドラー(FisH)と呼ばれる新しい統合型地震波ニューラルネットワークを提案する。 FisHは、リアルタイムストリーミング地震データを処理し、位相選択、位置推定、大きさ推定をエンドツーエンドで同時生成するように設計されている。
  論文  参考訳（メタデータ） (2024-08-13T04:33:23Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
  ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。 LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。 標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
  論文  参考訳（メタデータ） (2021-06-23T18:00:05Z)

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。