注册

符号回归流程将NV色心单点谱校准为集合谱，误差降56.2%

论文AI 评分 62/100arXiv cs.AI
AI 聚合

本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。

一篇 arXiv 论文提出面向氮-空位（NV）色心光谱的符号回归流程：先从单中心光探测磁共振谱中约束搜索厄米算符项并拟合系数，保留所选表达式作为源模型，再以显式权重组合成经校准的集合模型，校准环节处理共振位移、局域无序、取向与光学响应。在公开单中心与集合数据上，零场集合保频均方根误差从 0.008835 降至 0.003872（归一化光致发光），相对未校正组合改善 56.2%。在 128 个格点、四种 NV 取向的 QuTiP 受控集合中，用 0 与 3 mT 校准的模型预测留出的 5.17 mT 谱，三个随机种子误差为 0.000207–0.000228，与 0.000200 的噪声标准差相当。

全文梳理

AI 摘要依据下方信源原文自动整理，非原文转载

从单中心谱到集合模型

论文关注的问题是：NV 集合体的集体光谱如何与处于不同局域环境的单个色心建立联系。作者的做法是用符号回归先从单中心光探测磁共振谱里做约束搜索，挑出厄米算符项，再拟合这些项的系数，把选中的表达式保留下来当作集合建模的源模型。集合模型由各单中心谱响应按显式权重组合而成，因此每个单中心的贡献在最终线形中仍然可查，而不是被黑箱式的端到端拟合吞掉。这一设计让局部自旋结构与集体光学读出之间保持可解释的连接。

校准环节处理什么

集合校准阶段要吸收单中心与集合体之间的差异，材料列出的因素包括共振位移、局域无序、取向以及光学响应。校准在保留个体谱贡献可访问的前提下进行，也就是说不把单中心信息压缩成一个整体修正项。作者强调，流程在保留源哈密顿量的同时校准样品相关的谱差异，使集合线形的各个来源可以拿去做物理解释，例如把模拟响应拆成单中心贡献后，能观察局域谱多样性如何叠加成集合线形。

两组数据上的误差表现

公开的单中心与集合数据上，零场集合的保频均方根误差从 0.008835 降到 0.003872，单位为归一化光致发光，相对匹配的未校正组合改善 56.2%。另一组测试是 QuTiP 受控集合，规模为 128 个格点、覆盖四种 NV 取向：只用 0 和 3 mT 条件下校准的模型，去预测独立留出的 5.17 mT 光谱，三个随机种子上的误差落在 0.000207 至 0.000228 之间，与 0.000200 的噪声标准差处于同一量级。这说明校准后的模型在未参与拟合的场强上仍能给出接近噪声水平的预测。

为什么值得看

给出可解释的谱学建模路径：保留单中心哈密顿量的同时校准样品差异，误差接近噪声水平。

论文

信源1 家

  1. [1]arXiv cs.AI一手信源From Single Spins to Ensembles: A Calibrated Symbolic Regression Pipeline for NV Spectroscopy

关键事实

  • 流程从单中心 ODMR 谱中约束搜索厄米算符项，拟合系数后保留为集合建模的源模型[1]

  • 零场集合保频 RMSE 由 0.008835 降至 0.003872，归一化光致发光下改善 56.2%[1]

  • 在 128 格点、四种 NV 取向的 QuTiP 集合中，0 与 3 mT 校准模型预测 5.17 mT 谱的误差为 0.000207–0.000228[1]

  • 该误差与 0.000200 的噪声标准差相当，覆盖三个随机种子[1]

  • 校准环节纳入共振位移、局域无序、取向与光学响应，并保留单中心谱贡献可追溯[1]

相关 · 论文

OpenAI 自 GPT-5.6 起部署激活分类器监控模型输出

11月3日 周二·AI 78

OpenAI 推出 LifeVal 基准，衡量 AI 完成日常事务的能力

11月2日 周一·AI 72

清华姚期智团队提出代数世界模型AWM，ARC-AGI-3全关卡通关

11月1日 周日·AI 78

新芯航途发布X7 Ultra芯片，700TOPS，用Momenta世界模型做评测

10月31日 周六·AI 72

本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。

去论坛讨论