Le champ magnétique à mesurer ressemble à une mélodie jouée dans une salle bruyante. Le capteur quantique est un microphone capable de capter les notes les plus faibles, mais il n'entend pas que la musique : des bruissements, des grincements, la respiration des voisins. Tout cela se mêle au signal et gâche l'enregistrement.
Pour séparer la mélodie du bruit, les ingénieurs construisent généralement un modèle : ils décrivent comment le capteur devrait réagir au champ et comparent avec la réponse réelle. Un tel modèle est comme une partition où seules les notes sont écrites, mais sans préciser que la salle bourdonne à la fréquence du climatiseur et que les cordes se désaccordent parfois. Les scientifiques de cette étude sont allés plus loin : au lieu de compléter la partition à la main, ils ont laissé le modèle écouter de vrais enregistrements — environ dix mille courts fragments. Le modèle a appris tout seul à quoi ressemble la salle et a appris à soustraire ce bruit.
Cette approche est appelée boîte grise : la physique fournit le cadre, et les données comblent les lacunes. Un modèle purement physique — une boîte blanche — commettait de grosses erreurs, car il ignorait les imperfections. Un réseau de neurones entièrement entraînable — une boîte noire — aurait exigé beaucoup plus de données. La boîte grise s'est révélée être un juste milieu : avec dix mille exemples, l'erreur a chuté de plusieurs ordres de grandeur. C'est comme si le microphone se mettait soudain à n'entendre que la musique, et que le bruit de la salle disparaissait.
L'utilité pratique est énorme. Les capteurs quantiques sont déjà utilisés en médecine pour cartographier l'activité des neurones, en science des matériaux pour détecter des défauts, et en navigation sans GPS. Mais tous souffrent de modèles imprécis, surtout lorsqu'il faut s'adapter rapidement à des conditions changeantes. La boîte grise permet de le faire en temps réel : le capteur comprend lui-même que son modèle est imparfait et le corrige en cours de route. C'est un pas vers des capteurs quantiques qui fonctionnent non pas dans un laboratoire idéal, mais dans le monde réel — bruyant, imparfait et imprévisible.
tel que rédigé par les auteurs, en anglais 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 spin unique dans un diamant peut mesurer un champ magnétique avec une précision d'un nanotesla — c'est un milliard de fois plus faible que le champ d'un aimant sur un réfrigérateur.