論文の概要: Physics-guided machine learning for sim-to-real calibration of NV diamond magnetometers

• arxiv url: http://arxiv.org/abs/2608.19582v1
• Date: Thu, 20 Aug 2026 02:53:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.438051
• Title: Physics-guided machine learning for sim-to-real calibration of NV diamond magnetometers
• Title（参考訳）: 物理誘導機械学習によるNVダイヤモンド磁力計のシミュレートと実校正
• Abstract要約: 物理誘導型ハイブリッド機械学習フレームワークを導入し,Zeemanの分割を学習パイプラインに直接組み込む。 本研究では,スカラー磁場の予測精度について検討した。 この研究は、他のデータ共有物理システムに適用可能な機械学習トレーニング方法を確立しながら、自己校正センサーへの道を開いた。
• 参考スコア（独自算出の注目度）: 2.632334357996292
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ensemble nitrogen-vacancy (NV) centers in diamond enable robust vector magnetometry in unshielded environments, yet deployment remains bottlenecked by complex calibration and a reliance on external data references. Conventional statistical machine learning requires an exorbitantly large volume of training data and suffers from severe simulation-to-reality mismatches. To address this, we introduce a physics-guided hybrid machine learning framework that embeds the Zeeman splitting directly into the learning pipeline. Our physics-guided model significantly reduces the average tracking error demonstrating a 372-fold precision improvement over purely statistical baselines. Furthermore, our hybrid architecture pairs a sparse physical measurement with scalable synthetic data generation, seamlessly incorporating real-world hardware non-idealities. When deployed to decode uncalibrated, raw experimental ODMR data, our framework delivers exceptional predictive accuracy for the scalar magnetic field. This work paves the way toward self-calibrated sensors while establishing a machine learning training method applicable to other data-scarce physical systems
• Abstract（参考訳）: ダイヤモンド中の窒素空孔(NV)中心のアンサンブルは、非シールド環境において堅牢なベクトル磁気学を可能にするが、複雑なキャリブレーションと外部データ参照への依存により、展開はボトルネックのままである。 従来の統計機械学習では、極端に大量のトレーニングデータが必要であり、厳しいシミュレーションと現実のミスマッチに悩まされている。 これを解決するために、Zeemanの分割を学習パイプラインに直接組み込む物理誘導型ハイブリッド機械学習フレームワークを導入しました。 物理誘導モデルでは, 純統計的ベースラインよりも372倍の精度向上を示す平均追従誤差を著しく低減する。 さらに、我々のハイブリッドアーキテクチャは、スケーラブルな合成データ生成と疎結合な物理測定を組み合わせ、現実世界のハードウェア非理想性をシームレスに組み込む。 非校正な生のODMRデータをデコードするためにデプロイすると、スカラー磁場に対して例外的な予測精度が得られます。 この研究は、他のデータ共有物理システムに適用可能な機械学習訓練方法を確立しながら、自己校正センサーへの道を開く。

関連論文リスト

• A Multi-Fidelity Convolutional Autoencoder-Transfer Learning Framework for Guided-Wave-Based Damage Diagnosis Using Large Simulated and Limited Experimental Datasets [0.6813132308332305]
  本研究では,誘導波を用いた構造的健康モニタリングのための多要素伝達学習フレームワークを提案する。 軽量な物理ベースのシミュレーション、畳み込みオートエンコーダ(CAE)ベースのディープ特徴学習、フィードフォワードニューラルネットワーク、限られた実験測定を統合している。 R2$スコアはダメージローカライゼーションで0.93ドル、ダメージサイズで0.99ドルを超える。
  論文  参考訳（メタデータ） (2026-06-25T17:25:13Z)
• Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
  Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。 本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。 このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
  論文  参考訳（メタデータ） (2026-04-10T17:12:07Z)
• Mitigating Data Scarcity in Spaceflight Applications for Offline Reinforcement Learning Using Physics-Informed Deep Generative Models [0.0]
  宇宙飛行では、高コストで限られた惑星探査データのために、現実世界の訓練データが不足している。 システム識別や合成データ生成といった従来の手法は十分なデータに依存しており、仮説のモデル化や物理に基づく制約の欠如によってしばしば失敗する。 生成モデルに物理に基づく学習バイアスを導入することを提案し、特に、観測されたシステム軌跡と物理ベースのモデルで予測されるものとの違いを学習する物理インフォームドVAE(MI-VAE)を開発した。
  論文  参考訳（メタデータ） (2026-04-02T18:09:11Z)
• Active learning for data-driven reduced models of parametric differential systems with Bayesian operator inference [0.0]
  この研究は、パラメトリック力学系のデータ駆動型減階モデル(ROM)をインテリジェントに強化するアクティブラーニングフレームワークを開発する。 データ駆動ROMは、説明可能で、計算効率のよい科学機械学習モデルである。
  論文  参考訳（メタデータ） (2025-12-30T19:34:26Z)
• Data assimilation and discrepancy modeling with shallow recurrent decoders [2.47593085771929]
  シャローリカレントデコーダ(DA-SHRED)を用いたデータ同化のための機械学習フレームワークを提案する。 提案アルゴリズムは, 非線形力学に基づく回帰モデルのスパース同定を潜時空間に組み込んで, シミュレーションモデルに欠落するダイナミクスに対応する関数を同定する。 DA-SHREDはSIM2REALのギャップを埋めることに成功し、高度に複雑なシステムにおいて欠落するダイナミクスを回復することを示した。
  論文  参考訳（メタデータ） (2025-12-01T01:01:48Z)
• Fusing CFD and measurement data using transfer learning [49.1574468325115]
  本稿では,伝送学習によるシミュレーションと計測データを組み合わせたニューラルネットワークに基づく非線形手法を提案する。 最初のステップでは、ニューラルネットワークがシミュレーションデータに基づいてトレーニングされ、分散量の空間的特徴を学習する。 第2のステップは、ニューラルネットワークモデル全体の小さなサブセットを再トレーニングするだけで、シミュレーションと測定の間の体系的なエラーを修正するために、測定データ上での変換学習である。
  論文  参考訳（メタデータ） (2025-07-28T07:21:46Z)
• Private Training & Data Generation by Clustering Embeddings [74.00687214400021]
  差分プライバシー(DP)は、個々のデータを保護するための堅牢なフレームワークを提供する。 本稿では,DP合成画像埋め込み生成のための新しい原理的手法を提案する。 経験的に、合成的に生成された埋め込みに基づいて訓練された単純な2層ニューラルネットワークは、最先端(SOTA)分類の精度を達成する。
  論文  参考訳（メタデータ） (2025-06-20T00:17:14Z)
• OmniFluids: Physics Pre-trained Modeling of Fluid Dynamics [25.066485418709114]
  OmniFluidsは、基礎流体力学の法則を捉え、多様な下流タスクに効率的に適応する純粋物理事前学習モデルである。 本研究では,物理のみの事前学習,粗粒度演算子蒸留,小ショットファインチューニングを併用したトレーニングフレームワークを開発した。 テストによると、OmniFluidsは流れ場の予測と統計の点で最先端のAI駆動手法より優れている。
  論文  参考訳（メタデータ） (2025-06-12T16:23:02Z)
• A Hybrid Framework for Real-Time Data Drift and Anomaly Identification Using Hierarchical Temporal Memory and Statistical Tests [14.37149160708975]
  本稿では,階層型テンポラルメモリ(HTM)と逐次確率比テスト(SPRT)を組み合わせた,リアルタイムデータドリフト検出と異常同定のためのハイブリッドフレームワークを提案する。 実験により,提案手法は,KS試験,ワッサーシュタイン距離,人口安定度指数(PSI)などの従来のドリフト検出手法よりも精度,適応性,計算効率の点で優れていた。
  論文  参考訳（メタデータ） (2025-04-24T18:23:18Z)
• Closing the loop: Autonomous experiments enabled by machine-learning-based online data analysis in synchrotron beamline environments [80.49514665620008]
  機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。 本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。 本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
  論文  参考訳（メタデータ） (2023-06-20T21:21:19Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)

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。