Forskare vid University of Bristol har nått nya höjder av sofistikering när det gäller att detektera magnetfält med extrem känslighet vid rumstemperatur genom att kombinera maskininlärning med en kvantsensor.

Resultaten, publicerad i Fysisk granskning X , kan leda till en ny generation av MRI-skannrar som använder magnetfält och radiovågor för att producera detaljerade bilder av kroppens insida, samt ytterligare potentiella användningsområden inom biologi och materialvetenskap.

Dessa fynd uppnåddes med en kombination av maskininlärningstekniker – där datorer anpassar sig och lär sig av erfarenhet som människor och djur naturligt gör – och kvantavkänningsanordningar.

Forskare från Quantum Engineering and Technology Labs (QETLabs) vid University of Bristol, i samarbete med Institutet för kvantoptik vid University of Ulm och Microsoft, har visat detta med hjälp av en kvantsensor baserad på elektronspin i ett kvävevakanscentrum (NV) i en diamant.

Nitrogen-vacancy (NV) centra är atomära defekter som kan hittas eller skapas i en diamant. De tillåter en att interagera med enstaka elektroner, som i sin tur kan användas för att känna av både elektriska och magnetiska fält. Deras unika kombination av hög rumslig upplösning och känslighet har lett till undersökning av scenarier där aktiviteten hos enskilda neuroner övervakas och kartläggs ner till nanoskala. Dock, sådana kärnmagnetiska resonansapplikationer i nanoskala begränsas av bruset från den optiska avläsningen som är tillgänglig vid rumstemperatur i toppmoderna uppställningar.

Dr Anthony Laing, University of Bristol ledande forskare, sa:"Vi förväntar oss att användningen av våra tekniker kan låsa upp outforskade regimer i en ny generation av avkänningsexperiment, där spårning i realtid och förbättrad känslighet är avgörande ingredienser för att utforska fenomen på nanoskala."

Dr Raffaele Santagati, Forskningsassistent vid University of Bristols Center for Quantum Photonics, sa:"Här visar vi hur maskininlärning kan hjälpa till att övervinna dessa begränsningar för att exakt spåra ett fluktuerande magnetfält vid rumstemperatur med en känslighet som vanligtvis är reserverad för kryogena sensorer."

Medförfattaren Antonio Gentile sa:"I vår tidning, vi visar hur en Bayesiansk slutledningsmetod framgångsrikt kan lära sig magnetfältet och andra fysiska viktiga storheter från naturligt brusande data. Detta gör att vi kan lätta på komplexiteten i dataavläsningsprocessen till bekostnad av avancerad databehandling."

Vakanscentraler för kväve, finns i diamantdefekter, har redan använts i demonstrationer av deras avkänningsförmåga, men brus och oönskade interaktioner kan begränsa deras tillämpbarhet på verkliga scenarier. Resultaten som presenteras i detta arbete visar hur man kan övervinna dessa begränsningar.