机器学习为下一代量子感测铺平了道路
布里斯托大学的研究人员通过将机器学习与量子传感器相结合，在室温下以极高的灵敏度检测磁场方面已经达到了新的高度。这项发现发表在《 Physical Review X》上，可能会导致新一代的MRI扫描仪使用磁场和无线电波产生人体内部的详细图像，以及在生物学和材料科学中的进一步潜在用途。
这些发现是通过结合机器学习技术(量子计算机可以像人类和动物一样自然地适应并学习经验)和量子感测设备的组合而获得的。
该图显示了钻石中氮空位中心的电子自旋，以及科学家在此实验演示中使用的机器学习协议的主要步骤。
布里斯托大学的 量子工程与技术实验室(QETLabs)的研究人员与乌尔姆大学 和微软的量子光学研究所合作 ，已经在基于氮的电子自旋中使用了基于量子自旋的量子传感器，证明了这一点。钻石中的空缺(NV)中心。
氮空位(NV)中心是可以在钻石中发现或产生的原子缺陷。它们允许一个人与单个电子相互作用，而单个电子又可以用于感应电场和磁场。它们独特的高空间分辨率和灵敏度组合使人们对监视单个神经元的活动并将其映射到纳米级的场景进行了研究。然而，这种纳米级核磁共振应用受到在现有技术设置中在室温下可获得的光学读数的噪声的限制。
布里斯托大学的首席研究员Anthony Laing博士说：“我们希望我们的技术的部署能够在新一代传感实验中解锁未探索的机制，其中实时跟踪和增强的灵敏度是探索纳米级现象的关键因素。”
布里斯托大学量子光子学中心研究助理Raffaele Santagati博士说：“在这里，我们展示了机器学习如何帮助克服这些局限性，以通常为低温传感器保留的灵敏度来精确地跟踪室温下的波动磁场。”
合著者Antonio Gentile说：“在我们的论文中，我们展示了贝叶斯推理方法如何从自然噪声数据中成功学习磁场和其他物理重要量。这使我们能够以先进的数据处理为代价来放松数据读取过程的复杂性。”
钻石瑕疵中发现的氮空位中心已经用于证明其感应能力，但噪音和有害相互作用会限制其在现实世界中的适用性。。这项工作中提出的结果表明了如何克服这些局限性。
标签： 机器学习