基于机器学习的 delta-T 噪声用于温度偏差估计
介观与纳米尺度物理
2025-04-08 v1
摘要
delta-T 脉冲噪声在温度偏差激励的电子结合器中激活，达到原子尺度。它表现为温度差的平方依赖性以及与部分开启导电通道传输系数的非线性关系。在本工作中，我们演示了可利用 delta-T 噪声测量跨越一组原子尺度结合器，以估计这些系统中的温度偏差。我们的方法采用监督式机器学习算法训练神经网络，其输入特征为缩放电导、delta-T 噪声和平均温度。由于实验数据有限，我们生成合成数据集，旨在模拟实验。在这些合成数据上训练的神经网络随后被应用于预测实验数据集中的温度偏差。通过性能指标，我们展示出均值偏差——预测温度差与其真实值之间的偏差——在导电率最高达 4 的结合器中小于 1 K。我们的研究表明，虽然单个 delta-T 噪声测量因来自其他来源的噪声贡献而不足以准确估计所施加的温度偏差，但对结合器集合进行平均即可在实验不确定性范围内实现预测。这表明机器学习方法可用于估计电子结合器中的温度偏差，以及类似的其他刺激。
引用
@article{arxiv.2412.00288,
title = {Machine learning delta-T noise for temperature bias estimation},
author = {Matthew Gerry and Jonathan J. Wang and Joanna Li and Ofir Shein-Lumbroso and Oren Tal and Dvira Segal},
journal= {arXiv preprint arXiv:2412.00288},
year = {2025}
}