Магнитное поле без калибровки ✛

Оригинал: "Physics-guided machine learning for sim-to-real calibration of NV diamond magnetometers"
arXiv:2608.19582v1 · 2026-08-20 · CC BY 4.0 · 1 мин
Алмазные датчики учатся измерять магнитное поле, не сверяясь с эталонами.

В алмазе встречаются крошечные дефекты: вместо двух атомов углерода стоят атом азота и пустота. Такой дефект чувствует магнитное поле, как стрелка компаса чувствует север. Когда поле меняется, дефект меняет частоту свечения. Но чтобы превратить это свечение в числа, датчик нужно долго настраивать, сверяясь с эталоном.

Исследователи предложили учить алгоритм не на готовых ответах, а на самом законе природы. Внутрь обучающейся программы встроили правило, по которому магнитное поле раздвигает энергетические уровни дефекта. Теперь алгоритму не нужны тысячи примеров с известным полем: он сам понимает, как устроен сигнал. В результате ошибка измерения уменьшилась в 372 раза по сравнению с обычным статистическим подходом.

Обычный машинный интеллект требует огромного количества размеченных данных, а здесь физика заменяет разметку.

Метод испытали на настоящем алмазном датчике без предварительной настройки. Алгоритм взял сырые данные и выдал точное значение магнитного поля. Это шаг к датчикам, которые не нужно калибровать перед каждым использованием. Такой подход пригодится и для других редких физических измерений, где данных мало, а законы известны.

Азотные дефекты в алмазе настолько чувствительны, что могут заметить магнитное поле одиночного электрона на расстоянии нескольких нанометров.

\Delta\nu = 2\gamma_{NV} B_{\parallel}
Здесь \gamma_{NV} = 28 ГГц/Тл — гиромагнитное отношение электрона в NV-центре.
Учёные
Werner HeisenbergKip Thorne
Понятия
магнитометрия на алмазах спектроскопия NV-центров в алмазе обучение цифрового двойника оптически детектируемый магнитный резонанс физически информированная нейронная сеть моделирование физики с помощью нейронных сетей метод опорных векторов центр окраски азот-вакансия материалы на основе машинного обучения обучение ошибка предсказания символьная регрессия размеченные данные xgboost