El campo magnético que se quiere medir se parece a una melodía interpretada en una sala ruidosa. El sensor cuántico es un micrófono capaz de captar las notas más tenues, pero también oye lo que no es música: susurros, chirridos, la respiración de los vecinos. Todo eso se mezcla con la señal y arruina la grabación.
Para separar la melodía del ruido, los ingenieros suelen construir un modelo: describen cómo debería responder el sensor al campo y lo comparan con la respuesta real. Ese modelo es como una partitura donde solo están escritas las notas, pero no se indica que la sala zumba a la frecuencia del aire acondicionado ni que las cuerdas a veces se desafinan. Los científicos de este trabajo fueron más allá: en lugar de completar la partitura a mano, dejaron que el modelo escuchara grabaciones reales —unas diez mil muestras cortas—. El modelo aprendió por sí solo cómo suena la sala y aprendió a restar ese ruido.
Este enfoque se llama caja gris: la física aporta el armazón y los datos rellenan los huecos. El modelo puramente físico —la caja blanca— se equivocaba mucho porque ignoraba las imperfecciones. Una red neuronal totalmente entrenable —la caja negra— habría requerido muchos más datos. La caja gris resultó ser un punto medio dorado: con diez mil ejemplos, el error cayó varios órdenes de magnitud. Es como si el micrófono de pronto solo oyera la música y el ruido de la sala desapareciera.
La utilidad práctica es enorme. Los sensores cuánticos ya se emplean en medicina para mapear la actividad neuronal, en ciencia de materiales para localizar defectos y en navegación sin GPS. Pero todos sufren por modelos inexactos, sobre todo cuando hay que adaptarse rápido a condiciones cambiantes. La caja gris permite hacerlo en tiempo real: el propio sensor comprende que su modelo es imperfecto y lo corrige sobre la marcha. Es un paso hacia sensores cuánticos que funcionan no en un laboratorio ideal, sino en el mundo real: ruidoso, imperfecto e impredecible.
tal como lo escribieron los autores, en inglés 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.
Un espín individual en un diamante puede medir un campo magnético con una precisión de un nanotesla —mil millones de veces más débil que el campo de un imán de nevera.