[論文レビュー] NVRNet: Deep Learning Model for Fast Nitrogen Vacancy Characterization under Room Temperature

Chao Shang, Gregory D. Fuchs|arXiv (Cornell University)|Mar 14, 2026

Diamond and Carbon-based Materials Research被引用数 0

ひとこと要約

NVRNet はノイズの多い Ramsey トレースをデノイズし、室温で NV センターの 13C 超結合を直接推定する物理情報を組み込んだ シミュレーション-to-リアリティ パイプラインを提示。迅速な NV 特性評価を実現。

ABSTRACT

Characterization of the local spin environment of single diamond nitrogen-vacancy centers is a critical task for quantum sensing, quantum networking, and diamond materials optimization. We introduce NVRNet, a physics-informed simulation-to-reality pipeline that maps a fast acquisition, noisy Ramsey photoluminescence (PL) trace to a denoised waveform as well as outputting a direct estimate of hyperfine coupling to ${}^{13}\mathrm{C}$ spins in the environment. The denoiser is a two-stage time-frequency UNet followed by an attention-augmented time-domain UNet, pretrained on Hamiltonian-based simulations with experimentally calibrated noise. The simulation-pretrained, experimentally fine-tuned denoiser reduces the median reconstruction error on held-out few-sweep experimental traces to $0.44$-$0.67\times$ that of the raw experimental noisy traces across the three NV centers. A transformer-based estimator trained on simulation labels then predicts hyperfine parameters, and forward reconstruction from the inferred parameters reproduces the dominant experimental time- and frequency-domain features, with representative normalized FFT reconstruction errors of 0.10-0.19. These results establish NVRNet as a fast, hardware-compatible route to hyperfine inference from minimal Ramsey data.

研究の動機と目的

• 現実的な研究室ノイズ下で NV センターと局所核スピン環境の迅速かつ頑健な特性評価を動機付ける。
• 合成データを利用してデノイジングネットワークとハイパーファインパラメータ推定器を訓練するシミュレーション-to-リアリティ パイプラインを開発する。
• 実験的ドリフトとシミュレーションで捉えられないノイズに対処するための2段階デノイザーと不確実性アダプターを統合する。
• 最小限の Ramsey データから物理的に解釈可能なハイファインパラメータ（13C カウントと並列結合）を生成する。

提案手法

• 2段階デノイジング: (i) 1D CNN–UNet による周波数領域の粗いデノイジング、(ii) 注意機構を追加した UNet による時系列領域の精緻化。
• UNet ボトルネック部に自己注意を追加し、 Ramsey トレースの長距離位相コヒーレンスを捉える。
• デノイザーは校正されたノイズ付きハミルトニアンベースのシミュレーションで事前学習され、軽量な不確実性アダプターを介して実験トレースでファインチューニングする。
• ハイパーファイン推定器はトランスフォーマーベースで、シミュレーションラベルから 13C カウント（0–10）と並列結合を予測し、推定パラメータの前方再構成で検証する。
• 振動パターンエンコーダはグローバルな波形要因（T2*、全体振幅、デタウニング）を抽出し、ハイパーファイン予測のために Transformer ヘッドへ供給する。
• 合成データのノイズモデルにはショットノイズ、ドリフト、PL 変動を含め、実験的残差統計に合わせて調整する。

実験結果

リサーチクエスチョン

• RQ1 物理情報を組み込んだ ML パイプラインは、現実の研究室ノイズ下で少スイープ Ramsey トレースを生データよりも良くデノイズできるか？
• RQ2 実験アダプターを軽量化したシミュレーション訓練デノイザーは実NVトレースへ一般化できるか？
• RQ3 トランスフォーマーベースの推定器はデノイズ済み Ramsey トレースから 13C カウントと並列ハイパーファイン結合を正確に推定できるか？
• RQ4 inferred ハイパーファインパラメータを用いた前方再構成は、実験の主要な時間領域および周波数領域の特徴を再現するか？

主な発見

NV	n	Base med.	Core med.	Core+Adapt med.
NV 1	40000	2.255	1.570	0.984
NV 2	40000	1.864	3.392	1.248
NV 3	40000	1.897	2.021	1.856

• アダプターでファインチューニングしたデノイザーは、 held-out NV センターの raw トレースと比較して再構成誤差の中央値を 0.44–0.67× に低減。
• デノイザーは少スイープ領域（K ≤ 10）でのデノイジング性能を複数の NV センターにわたり向上させる。
• ハイパーファイン推定器は 13C カウントと並列結合を代表的な前方再構成忠実度で予測し、さらなる改良の信頼性の高い初期化を可能にする。
• inferred ハイパーファインパラメータを用いた前方再構成は、支配的な時間領域および周波数領域の特徴を再現し、FFT 再構成誤差は 0.10–0.19。
• 実験アダプターを備えた事前学習済みコアは、実世界ノイズの処理においてシミュレーションのみモデルより優れている。