المجال المغناطيسي الذي نريد قياسه يشبه لحنًا يُعزف في قاعة صاخبة. المستشعر الكمومي هو ميكروفون قادر على التقاط أهدأ النغمات، لكنه يسمع أيضًا ليس فقط الموسيقى: حفيف، صرير، تنفس الجيران. كل هذا يختلط بالإشارة ويفسد التسجيل.
لفصل اللحن عن الضوضاء، عادةً ما يبني المهندسون نموذجًا: يصفون كيف يجب أن يستجيب المستشعر للمجال، ويقارنونه بالاستجابة الفعلية. هذا النموذج يشبه النوتة الموسيقية التي تُكتب فيها النغمات فقط، دون الإشارة إلى أن القاعة تطن بتردد مكيف الهواء، وأن الأوتار أحيانًا تضطرب. العلماء في هذه الدراسة ذهبوا أبعد من ذلك: لم يكتفوا بكتابة النوتة يدويًا، بل جعلوا النموذج يستمع إلى تسجيلات حقيقية - حوالي عشرة آلاف مقطع قصير. تعلم النموذج بنفسه كيف يبدو صوت القاعة، وتعلم كيفية طرح هذه الضوضاء.
يُسمى هذا النهج "الصندوق الرمادي": الفيزياء توفر الهيكل، والبيانات تملأ الفراغات. النموذج الفيزيائي البحت - الصندوق الأبيض - كان يخطئ كثيرًا لأنه لم يكن يعرف عن العيوب. الشبكة العصبية القابلة للتعلم بالكامل - الصندوق الأسود - كانت ستتطلب بيانات أكثر بكثير. تبين أن الصندوق الرمادي هو الحل الوسط الذهبي: مع عشرة آلاف مثال، انخفض الخطأ بعدة مراتب. الأمر كما لو أن الميكروفون أصبح فجأة يسمع الموسيقى فقط، واختفى ضجيج القاعة.
الفائدة العملية هائلة. تُستخدم المستشعرات الكمومية بالفعل في الطب لرسم خرائط نشاط الخلايا العصبية، وفي علم المواد للبحث عن العيوب، وفي الملاحة بدون GPS. لكن جميعها يعاني من نماذج غير دقيقة، خاصة عندما يكون من الضروري التكيف بسرعة مع الظروف المتغيرة. يسمح الصندوق الرمادي بذلك في الزمن الحقيقي: المستشعر يدرك بنفسه أن نموذجه غير كامل، ويصححه أثناء العمل. هذه خطوة نحو مستشعرات كمومية تعمل ليس في مختبر مثالي، بل في العالم الحقيقي - الصاخب، غير المثالي، وغير المتوقع.
كما كتبه المؤلفون، بالإنجليزية arXiv:2601.17465
Quantum sensors offer significant advantages over classical devices in spatial resolution and sensitivity, enabling transformative applications across materials science, healthcare, and beyond. Their practical performance, however, is often constrained by unmodelled effects, including noise, imperfect state preparation, and non-ideal control fields. In this work, we report the first experimental implementation of a graybox modelling strategy for a solid-state open quantum system. The graybox framework integrates a physics-based system model with a data-driven description of experimental imperfections, achieving higher fidelity than purely analytical (whitebox) approaches while requiring fewer training resources than fully deep-learning models. We experimentally validate the method on the task of estimating a static magnetic field using a single-spin quantum sensor, performing Bayesian inference with a graybox model trained on prior experimental data. Using roughly 10,000 training datapoints, the graybox model yields several orders of magnitude improvement in mean squared error over the corresponding physics-only model. These results are broadly applicable to a wide range of quantum sensing platforms, not limited to single-spin systems, and are particularly valuable for real-time adaptive protocols, where model inaccuracies can otherwise lead to suboptimal control and degraded performance.
يمكن للسبين المفرد في الألماس قياس المجال المغناطيسي بدقة تصل إلى نانو تسلا واحد - وهذا أضعف بمليار مرة من مجال مغناطيس الثلاجة.