基于物理信息神经网络的快速单氮空位中心Ramsey表征

精确表征单个金刚石氮空位（NV）中心的局部自旋环境对于推进量子传感、量子网络和量子材料优化至关重要。然而，单个NV中心荧光测量需要长平均时间来获取适合传统模型拟合的干净数据，这构成了高通量表征的关键实验瓶颈。为此，我们引入了NVRNet，一个物理信息模拟到现实的机器学习流水线，将最少扫描、含噪的Ramsey数据映射到去噪波形，同时直接估计与邻近${}^{13}\mathrm{C}$核自旋的超精细耦合。该流水线的去噪器利用两阶段时频U-Net和注意力增强时域U-Net，在基于哈密顿量的自旋动力学模拟上进行预训练，并使用实验校准的噪声。为了有效弥合模拟到现实的差距，参数高效适配器连接到骨干网络并在目标实验数据上进行微调。在三个不同的NV中心上，这个经过实验微调的模型将保留的少扫描轨迹的中位重建误差降低到原始实验噪声水平的$0.44\text{-}0.67\times$。随后，基于Transformer的估计器提取底层超精细参数。从这些推断参数导出的前向重建忠实地再现了主导的实验时域和频域特征，产生了代表性的归一化快速傅里叶变换（FFT）重建误差为$0.10\text{-}0.19$。通过减少所需的数据量和采集时间，NVRNet实现了约$\sim 40\times$的测量过程加速，建立了一条快速、硬件兼容的路径，用于稳健的超精细推断和自主量子比特表征。