論文の概要: Neural Fields for NV-Center Inverse Sensing

• arxiv url: http://arxiv.org/abs/2605.13988v1
• Date: Wed, 13 May 2026 18:02:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.444044
• Title: Neural Fields for NV-Center Inverse Sensing
• Title（参考訳）: NV中心逆センシングのためのニューラルネットワーク
• Authors: Zhixuan Zhao, Tao Zhong, Yixun Hu, Nathalie P. de Leon, Christine Allen-Blanchette,
• Abstract要約: 科学的センシングにおける逆問題はしばしば、手書きの正規化器またはシミュレートされたラベルで訓練された教師付きネットワークによって解決される。 本研究では、一般的なスカラー/コヒーレントフォワード近似をテンソルパワーを仮定した双極子演算子に置き換えることで、逆景観が変化することを示す。 微分可能なNVフォワードモデルに結合したアモータイズフリー座標場であるNeTMYを提案する。
• 参考スコア（独自算出の注目度）: 2.6261534373460838
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inverse problems in scientific sensing are often solved with either hand-designed regularizers or supervised networks trained on simulated labels, yet both can fail when the forward model is nonlinear, spectrally coupled, and physically delicate. We study this issue for noise sensing based on nitrogen-vacancy (NV) centers in diamond, where a quantum sensor measures magnetic-noise spectra generated by sparse spin sources. We show that replacing a common scalar/coherent forward approximation with a tensor power-summed dipolar operator changes the inverse landscape and exposes a center-collapse failure mode in free-density optimization. We propose NeTMY, an amortization-free coordinate neural field coupled to the differentiable NV forward model, with annealed positional encoding, multiscale optimization, sparsity/gating, and spectrum-fidelity losses. Across sparse synthetic reconstructions generated by the corrected operator, NeTMY achieves the best localization and distributional metrics in the tested benchmark. Mechanism experiments show that NeTMY does not directly execute the raw density-space gradient; its parameterization smooths and redistributes updates, mitigating the center-collapse pathology. These results position NV quantum sensing as a useful testbed for physics-faithful neural inverse problems.
• Abstract（参考訳）: 科学的センシングにおける逆問題はしばしば、手設計の正規化器またはシミュレートされたラベルで訓練された教師付きネットワークによって解決されるが、フォワードモデルが非線形でスペクトル結合であり、物理的に微妙な場合、どちらも失敗する。 本研究では, ダイヤモンド中の窒素空孔(NV)中心に基づくノイズセンシングの課題について検討し, 量子センサがスパーススピン源から発生する磁気ノイズスペクトルを測定した。 本研究では、一般的なスカラー/コヒーレントフォワード近似をテンソルパワーを仮定した双極子演算子に置き換えることで、逆ランドスケープを変化させ、自由密度最適化において中心衝突故障モードを公開することを示す。 微分可能NVフォワードモデルに結合したアモータイズフリー座標ニューラル場であるNeTMYを提案する。 修正演算子 NeTMY が生成したスパース合成再構成の全体にわたって,テストベンチマークにおける最適な局所化と分布化の指標を達成している。 メカニズム実験により、NeTMYは生密度空間勾配を直接実行せず、パラメータ化はスムーズで、再帰は更新され、中心崩壊病理を緩和することが示された。 これらの結果は、NV量子センシングを、物理に忠実なニューラルネットワークの逆問題に対する有用なテストベッドとして位置づけている。

関連論文リスト

• A Deep-Learning-Boosted Framework for Quantum Sensing with Nitrogen-Vacancy Centers in Diamond [12.497803457724325]
  ダイヤモンド中の窒素空孔中心は、ナノスケール空間分解能を持つ磁場、温度、ひずみの高感度測定のための多用途量子センシングプラットフォームである。 ここでは、1次元畳み込みニューラルネットワーク(1D-CNN)に基づくリアルタイムODMR解析のための堅牢で効率的な機械学習フレームワークを紹介する。 ナノダイアモンドプローブによる細胞内温度変化の診断と高温超伝導体における超伝導渦の広視野イメージングの2つの代表的応用で本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2026-03-16T02:02:14Z)
• Physics Aware Neural Networks: Denoising for Magnetic Navigation [3.624059602945058]
  空中システムは、地磁気データを抽出する上で重要な課題に直面している。 本研究では, 分散自由ベクトル場とE(3)等分散という, 物理学に基づく2つの制約に基づく枠組みを提案する。 実験により、これらの制約を埋め込むことで予測精度と物理的妥当性が大幅に向上し、古典的なディープラーニングアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-02-14T09:23:57Z)
• BlinDNO: A Distributional Neural Operator for Dynamical System Reconstruction from Time-Label-Free data [6.810595986800653]
  時間ラベルのない環境で量子力学系の逆問題について検討する。 マルチスケールなU-Netエンコーダとアテンションベースのミキサーを統合した置換不変アーキテクチャであるBlinDNOを提案する。
  論文  参考訳（メタデータ） (2025-11-15T18:15:37Z)
• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• Collocation-based Robust Variational Physics-Informed Neural Networks (CRVPINN) [0.0]
  物理インフォームドニューラルネットワーク(PINN)は部分微分方程式(PDE)の解法として成功している Robust Variational Physics-Informed Neural Networks (RVPINNs) の最近の研究は、基礎となる連続空間のノルムを離散レベルに便利に翻訳することの重要性を強調している。 本研究ではRVPINNの実装を加速し、元のPINNと同じ精神を持つ点配置方式でスパースグラム行列のLU分解を確立する。
  論文  参考訳（メタデータ） (2024-01-04T14:42:29Z)
• Quantized Non-Volatile Nanomagnetic Synapse based Autoencoder for Efficient Unsupervised Network Anomaly Detection [0.07892577704654172]
  ハードウェア,エネルギ,計算資源の制限により,リアルタイムに学習可能なエッジデバイスにオートエンコーダを実装することは困難であることを示す。 自己エンコーダのシナプスとして磁区壁(DW)をホストするノッチを用いた強磁性競馬場を提案する。 我々のDWベースのアプローチは、浮動小数点法と比較して、トレーニング中の重量更新の少なくとも3桁の顕著な減少を示す。
  論文  参考訳（メタデータ） (2023-09-12T02:29:09Z)
• Benign Overfitting in Deep Neural Networks under Lazy Training [72.28294823115502]
  データ分布が適切に分離された場合、DNNは分類のためのベイズ最適テスト誤差を達成できることを示す。 よりスムーズな関数との補間により、より一般化できることを示す。
  論文  参考訳（メタデータ） (2023-05-30T19:37:44Z)
• Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View Tomography [58.60249163402822]
  未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。 提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
  論文  参考訳（メタデータ） (2022-07-06T21:40:59Z)
• Momentum Diminishes the Effect of Spectral Bias in Physics-Informed Neural Networks [72.09574528342732]
  物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。 彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。 本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
  論文  参考訳（メタデータ） (2022-06-29T19:03:10Z)
• Neural Control Variates [71.42768823631918]
  ニューラルネットワークの集合が、積分のよい近似を見つけるという課題に直面していることを示す。 理論的に最適な分散最小化損失関数を導出し、実際に安定したオンライントレーニングを行うための代替の複合損失を提案する。 具体的には、学習した光場近似が高次バウンスに十分な品質であることを示し、誤差補正を省略し、無視可能な可視バイアスのコストでノイズを劇的に低減できることを示した。
  論文  参考訳（メタデータ） (2020-06-02T11:17:55Z)

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。