ترجمه فارسی مقاله ارزیابی مدل‌های استنتاج احتمالی و داده‌محور برای سنسورهای دمای NV-الماس جفت‌شده با فیبر

چکیده

We evaluate the impact of inference model on uncertainties when using continuous wave Optically Detected Magnetic Resonance (ODMR) measurements to infer temperature. Our approach leverages a probabilistic feedforward inference model designed to maximize the likelihood of observed ODMR spectra through automatic differentiation. This model effectively utilizes the temperature dependence of spin Hamiltonian parameters to infer temperature from spectral features in the ODMR data. We achieve prediction uncertainty of $\pm$ 1 K across a temperature range of 243 K to 323 K. To benchmark our probabilistic model, we compare it with a non-parametric peak-finding technique and data-driven methodologies such as Principal Component Regression (PCR) and a 1D Convolutional Neural Network (CNN). We find that when validated against out-of-sample dataset that encompasses the same temperature range as the training dataset, data driven methods can show uncertainties that are as much as 0.67 K lower without incorporating expert-level understanding of the spectroscopic-temperature relationship. However, our results show that the probabilistic model outperforms both PCR and CNN when tasked with extrapolating beyond the temperature range used in training set, indicating robustness and generalizability. In contrast, data-driven methods like PCR and CNN demonstrate up to ten times worse uncertainties when tasked with extrapolating outside their training data range.

چکیده به فارسی (ترجمه ماشینی)

ما تأثیر مدل استنتاج را در عدم استفاده از اندازه گیری رزونانس مغناطیسی نوری (ODMR) که به صورت مداوم تشخیص داده می شود ، ارزیابی می کنیم.رویکرد ما از یک مدل استنتاج احتمالی تغذیه ای که برای به حداکثر رساندن احتمال طیف ODMR مشاهده شده از طریق تمایز خودکار طراحی شده است ، استفاده می کند.این مدل به طور موثری از وابستگی دما پارامترهای اسپین همیلتون برای استنباط درجه حرارت از ویژگی های طیفی در داده های ODMR استفاده می کند.ما به عدم قطعیت پیش بینی \ pm 1 $ $ k در محدوده دما 243 K تا 323 K. دست می یابیم تا مدل احتمالی خود را معیار کنیم ، ما آن را با یک تکنیک اوج غیر پارامتری و روشهای داده محور مانند رگرسیون مؤلفه اصلی مقایسه می کنیم.(PCR) و یک شبکه عصبی 1D (CNN).ما می دانیم که وقتی در برابر مجموعه داده های خارج از نمونه که شامل همان محدوده دما مانند مجموعه داده های آموزشی است ، تأیید می شود ، روش های محور داده ها می توانند عدم قطعیت هایی را نشان دهند که به اندازه 0.67 K پایین تر هستند بدون اینکه درک سطح تخصصی از رابطه طیف سنجی را داشته باشد.با این حال ، نتایج ما نشان می دهد که مدل احتمالی از هر دو PCR و CNN نسبت به برون یابی فراتر از محدوده دمای مورد استفاده در مجموعه آموزش ، عملکردی دارد و این نشانگر استحکام و تعمیم پذیری است.در مقابل ، روشهای داده محور مانند PCR و CNN هنگام انجام وظیفه در خارج از محدوده داده های آموزشی خود ، تا ده برابر عدم قطعیت بدتر نشان می دهند.