[논문 리뷰] NVRNet: Deep Learning Model for Fast Nitrogen Vacancy Characterization under Room Temperature

Chao Shang, Gregory D. Fuchs|arXiv (Cornell University)|2026. 03. 14.

Diamond and Carbon-based Materials Research인용 수 0

한 줄 요약

NVRNet은 노이즈가 있는 Ramsey 트레이스를 디노이즈하고 실온에서 NV 중심의 13C 하이퍼파인 커플링을 직접 추정하는 물리정보 기반의 시뮬레이션-실제 파이프라인을 제시하여 빠른 NV 특성화가 가능하게 한다.

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 $0.44$-$0.67 imes$ 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.

연구 동기 및 목표

• 실험실 노이즈를 고려한 NV 센터와 그 주변 핵 스핀 환경의 빠르고 견고한 특성화를 촉진한다.
• 합성 데이터를 활용해 디노이징 네트워크와 하이퍼파인 매개변수 추정기를 학습시키는 시뮬레이션-실제 파이프라인을 개발한다.
• 실험적 드리프트와 시뮬레이션에 포착되지 않은 노이즈를 다루기 위해 불확실성 어댑터를 갖춘 두 단계 디노이저를 통합한다.
• 최소한의 Ramsey 데이터로 물리적으로 해석 가능한 하이퍼파인 파라미터(13C 개수 및 평행 커플링)를 산출한다.

제안 방법

• 두 단계 디노이징: (i) 1D CNN–UNet을 이용한 주파수 도메인의 거친 디노이징, (ii) 주파수-도메인 보정된 시간 도메인 정제로의 시간 도메인 정제.
• Ramsey 트레이스의 장거리 위상 일관성을 포착하기 위해 UNet 병목에서 자기-attention을 추가한다.
• 해밀토니안 기반 시뮬레이션에 보정된 노이즈로 디노이저를 사전 학습하고, 가벼운 불확실성 어댑터를 통해 실험 트레이스에서 미세하게 미세조정한다.
• 하이퍼파인 파라미터 추정기는 트랜스포머 기반으로 시뮬레이션 라벨로 학습되어 13C 개수(0–10)와 평행 커플링을 예측하고, Forward 재구성을 통해 추정 매개변수를 검증한다.
• 진동 패턴 인코더가 글로벌 파형 요인(T2*, 전체 진폭, 디튠)을 추출하여 하이퍼파인 예측을 위한 Transformer 헤드에 입력한다.
• 합성 데이터용 노이즈 모델에는 샷 노이즈, 드리프트 및 PL 변동이 포함되며 실험 잔차 통계에 맞게 조정된다.

실험 결과

연구 질문

• RQ1 물리정보를 갖춘 ML 파이프라인이 현실적인 실험실 노이즈 하에서 적은 수의 스윕 Ramsey 트레이스를 원시 데이터보다 더 잘 디노이즈할 수 있는가?
• RQ2 시뮬레이션 학습 디노이저가 가벼운 실험 어댑터를 보강하여 실제 NV 트레이스에 일반화될 수 있는가?
• RQ3 트랜스포머 기반 추정기가 디노이즈된 Ramsey 트레이스로부터 13C 개수와 평행 하이퍼파인 커플링을 정확하게 유추할 수 있는가?
• RQ4 추정된 하이퍼파인 매개변수를 이용한 Forward 재구성이 실험의 중요한 시/주파수 영역 특징을 재현하는가?

주요 결과

• Adapter로 미세 조정된 디노이저가 보유되지 않은 NV 센터에서 원시 트레이스 대비 재구성 오차 중앙값을 0.44–0.67×로 감소시켰다.
• 여러 NV 센터에 걸쳐 적은 수의 스윕(K ≤ 10) 구간에서 디노이저의 디노이징 성능이 향상된다.
• 하이퍼파인 추정기가 13C 개수와 평행 커플링을 representative forward 재구성 충실도로 예측하여 추가 정제를 위한 안정적인 초기화를 가능하게 한다.
• 추정된 하이퍼파인 매개변수를 사용한 Forward 재구성은 주된 시/주파수 특징을 재현하며 FFT 재구성 오차는 0.10–0.19이다.
• 실험 어댑터가 포함된 시뮬레이션 선행 학습 핵심은 실제 노이즈 처리에서 순수 시뮬레이션 모델보다 우수하다.