Inteligencia artificial aplicada a magnetometría de sensado cuántico con centros NV en diamante

El avance de los métodos de inteligencia artificial (IA) ha demostrado enormes beneficios para la industria y la investigación científica. El gran poder de cómputo de las técnicas de aprendizaje automático (Machine Learning, ML) permite analizar grandes cantidades de datos y encontrar correlaciones que muchas veces escapan a la intuición humana. En particular, los métodos de ML son especialmente útiles en problemas en donde se dispone de mediciones experimentales de buena calidad, pero no de un modelo teórico adecuado que describa el sistema bajo estudio, o de algoritmos clásicos eficientes que puedan procesar información de manera rápida y precisa.

La magnetometría de sensado cuántico es un área que se ha beneficiado del avance de la IA y está en pleno proceso de exploración y desarrollo [1-3]. En esta charla describiré aplicaciones que combinan métodos de ML y magnetometría con centros Nitrógeno-Vacancia (NV) en diamante, desarrolladas durante mis post-doctorados en las universidades The City College of New York, bajo la dirección de Carlos Meriles, y The University of Melbourne, bajo la dirección de Lloyd Hollenberg y David Simpson. En una investigación reciente, utilizamos la IA para asistir el análisis de espectroscopía de ruido magnético, superando el rendimiento de algoritmos clásicos [4]. Actualmente en desarrollo, estamos diseñando una aplicación de ML que puede detectar en tiempo real la trayectoria de un objecto con señal magnética utilizando exclusivamente datos experimentales, lo cual significa un importante avance en el área de navegación magnética.

Referencias:

[1] Tsukamoto et al. "Accurate magnetic field imaging using nanodiamond quantum sensors enhanced by machine learning." Scientific Reports 12 (2022): 13942.

[2] Homrighausen et al. "Edge-Machine-Learning-Assisted Robust Magnetometer Based on Randomly Oriented NV-Ensembles in Diamond." Sensors 23 (2023): 1119.

[3] Stone et al. "Machine and quantum learning for diamond-based quantum applications." Materials for Quantum Technology 3 (2023): 012001.

[4] Meneses et al. "Toward Deep-Learning-Assisted Spectrally Resolved Imaging of Magnetic Noise." Physical Review Applied 18 (2022): 024004.