量子科技中心_量科网

固态器件中核自旋环境的表征对推进量子技术至关重要，但传统方法通常需要冗长的测量时间。为解决这一难题，该团队通过引入代理信息增益（SIG）来优化测量数据点选择，从而扩展了其最新开发的基于深度学习的SALI模型（信号至图像人工智能）。该方法在保持核自旋检测精度的同时，显著降低了实验时间需求。SIG作为一种基于信号预期方差的评价指标，其计算过程比扎根于贝叶斯估计的预期信息增益更为直接。研究人员以金刚石中耦合13C核的氮空位（NV）中心为对象验证了该方法：在高场强条件下，基于方差的优化策略经实验数据验证，实现了测量时间减少85%而性能仅小幅降低的成果，这也是SALI模型首次在实验数据上获得验证；在低场强条件下，通过提升测量时间分辨率并应用SIG，模拟数据预测总实验时间可减少60%。该工作展示了深度学习与优化信号选择相结合提升量子传感与核自旋表征效率的潜力，为将这些技术扩展至更大核自旋体系奠定了基础。