يعتبر استخدام مراكز النيتروجين-فراغ (NV centers) في الألماس واحدًا من التطورات البارزة في مجال التحسس الكمي، حيث تمتاز هذه المراكز بقدرتها العالية على قياس المجالات المغناطيسية. ومع ذلك، تواجه عمليات القياس تحديات كبيرة في عصر الكم المعتمد على البيانات الضوضائية (NISQ)، مما يجعل استخراج معلومات موثوقة من البيانات المعرضة للضوضاء أمرًا صعبًا.

لكن الأمل يأتي من الذكاء الاصطناعي الكمي (QML)، الذي يُظهر إمكانات واعدة في تحسين تقدير المعلمات عن طريق تعلم العلاقات غير الخطية بين بيانات التحسس الكمي والإشارات الفيزيائية الأساسية. في هذا العمل، تم دراسة تأثير QML في تقدير المجال المغناطيسي في سياق يستخدم مراكز NV.

قمنا بصياغة مهمة قياس المجال المغناطيسي كمهمة انحدار خاضعة للإشراف. وتمت مقارنة أداء عدة نماذج تعلم آلي تقليدية مدربة على بيانات تقليدية قائمة على القياس مع نماذج تعتمد على النواة الكمية المدربة على حالات كمية متماسكة قبل القياس. كان هدف الدراسات هو عزل تأثير فقدان المعلومات الناجم عن القياس، وبالتالي تقديم حد نظري أعلى للأداء الحساس.

أظهرت النتائج أن أداء التحسس المعتمد على QML يتحسن بشكل كبير مع توفر معلومات الحالة الكمومية المتماسكة، في حين لم يحدث تحسن كبير مع التغييرات في تعقيد النموذج أو منهجية التعلم. وهذا يشير إلى أهمية إنشاء خطوط تعلم متكاملة بشكل وثيق بين أجهزة الاستشعار الكمومية ونماذج QML لتعزيز قياسات المجال المغناطيسي في ظل القيود الواقعية.

في ظل هذه الاكتشافات المثيرة، يبقى التساؤل: كيف يمكن أن تسهم هذه التطورات في المستقبل القريب لتحسين دقة القياسات الكمية في مجالات مختلفة؟