Onderzoekers van de Universiteit van Bristol hebben nieuwe hoogten van verfijning bereikt bij het detecteren van magnetische velden met extreme gevoeligheid bij kamertemperatuur door machine learning te combineren met een kwantumsensor.

De bevindingen, gepubliceerd in Fysieke beoordeling X , zou kunnen leiden tot een nieuwe generatie MRI-scanners die magnetische velden en radiogolven gebruiken om gedetailleerde beelden van de binnenkant van het lichaam te produceren, evenals verdere potentiële toepassingen binnen de biologie en materiaalwetenschap.

Deze bevindingen zijn bereikt met behulp van een combinatie van machine learning-technieken - waarbij computers zich aanpassen en leren van ervaringen zoals mensen en dieren dat van nature doen - en kwantumdetectieapparatuur.

Onderzoekers van de Quantum Engineering and Technology Labs (QETLabs) aan de Universiteit van Bristol, in samenwerking met het Instituut voor kwantumoptica van de Universiteit van Ulm en Microsoft, hebben dit aangetoond met behulp van een kwantumsensor op basis van de elektronenspin in een stikstof-vacature (NV) centrum in een diamant.

Stikstof-leegstand (NV) centra zijn atoomdefecten die kunnen worden gevonden of gecreëerd in een diamant. Ze laten een interactie toe met enkele elektronen, die op zijn beurt kan worden gebruikt voor het detecteren van zowel elektrische als magnetische velden. Hun unieke combinatie van hoge ruimtelijke resolutie en gevoeligheid heeft geleid tot het onderzoek van scenario's waarin de activiteit van afzonderlijke neuronen wordt gevolgd en in kaart gebracht tot op nanoschaal. Echter, dergelijke nucleaire magnetische resonantietoepassingen op nanoschaal worden beperkt door de ruis van de optische uitlezing die beschikbaar is bij kamertemperatuur in ultramoderne opstellingen.

Dr. Anthony Laing, hoofdonderzoeker van de Universiteit van Bristol, zei:"We verwachten dat de inzet van onze technieken onontgonnen regimes kan ontsluiten in een nieuwe generatie detectie-experimenten, waar realtime tracking en verbeterde gevoeligheden cruciale ingrediënten zijn om fenomenen op nanoschaal te onderzoeken."

Dr. Raffaele Santagati, Onderzoeksmedewerker bij het Centre for Quantum Photonics van de Universiteit van Bristol, zei:"Hier laten we zien hoe machine learning deze beperkingen kan helpen overwinnen om een ​​fluctuerend magnetisch veld bij kamertemperatuur nauwkeurig te volgen met een gevoeligheid die typisch is voorbehouden aan cryogene sensoren."

Co-auteur Antonio Gentile zei:"In onze paper, we laten zien hoe een Bayesiaanse inferentiebenadering met succes het magnetische veld en andere fysiek belangrijke grootheden kan leren van natuurlijk ruisende gegevens. Dit stelt ons in staat om de complexiteit van het data-uitleesproces te verminderen ten koste van geavanceerde dataverwerking."

Stikstof-leegstand centra, gevonden in diamantonvolkomenheden, zijn al gebruikt bij demonstraties van hun waarnemingsvermogen, maar ruis en ongewenste interacties kunnen hun toepasbaarheid op real-world scenario's beperken. De resultaten die in dit werk worden gepresenteerd, laten zien hoe deze beperkingen kunnen worden overwonnen.