Магнитное поле, которое нужно измерить, похоже на мелодию, исполняемую в шумном зале. Квантовый датчик — это микрофон, способный уловить самые тихие ноты, но и он слышит не только музыку: шорохи, скрипы, дыхание соседей. Всё это примешивается к сигналу и портит запись.
Чтобы отделить мелодию от шума, инженеры обычно строят модель: описывают, как датчик должен реагировать на поле, и сравнивают с реальным откликом. Такая модель — как партитура, где записаны только ноты, но не указано, что зал гудит на частоте кондиционера, а струны иногда расстраиваются. Учёные из этой работы пошли дальше: они не стали дописывать партитуру вручную, а дали модели послушать реальные записи — около десяти тысяч коротких фрагментов. Модель сама выучила, как звучит зал, и научилась вычитать этот шум.
Такой подход называют серым ящиком: физика даёт каркас, а данные заполняют пробелы. Чисто физическая модель — белый ящик — ошибался сильно, потому что не знал о неидеальностях. Полностью обучаемая нейросеть — чёрный ящик — требовала бы гораздо больше данных. Серый ящик оказался золотой серединой: с десятью тысячами примеров ошибка упала на несколько порядков. Это как если бы микрофон вдруг стал слышать только музыку, а шум зала исчез.
Практическая польза огромна. Квантовые датчики уже применяют в медицине для картирования активности нейронов, в материаловедении для поиска дефектов, в навигации без GPS. Но все они страдают от неточных моделей, особенно когда нужно быстро подстраиваться под меняющиеся условия. Серый ящик позволяет делать это в реальном времени: датчик сам понимает, что его модель несовершенна, и корректирует её на ходу. Это шаг к квантовым сенсорам, которые работают не в идеальной лаборатории, а в реальном мире — шумном, неидеальном и непредсказуемом.
как её написали авторы, на английском 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.
Одиночный спин в алмазе может измерять магнитное поле с точностью до одного нанотесла — это в миллиард раз слабее поля магнита на холодильнике.