使用PCA和神经网络预测fs激光诱导的NV中心

《Optical Materials》：Predicting fs-laser-induced NV centers with PCA and neural networks

NV色心生成与飞秒激光参数关系研究采用主成分分析和人工神经网络建模，揭示峰值强度正相关、脉冲宽度和激发波长负相关。实验数据来自金刚石微加工，网格搜索和交叉验证优化模型，验证参数与缺陷可靠性关联。

　　

穆里洛·内科·萨拉伊瓦（Murilo Neco Saraiva）|奥兰多·马尔贝洛·奥斯皮纳（Orlando Marbello Ospina）|卢卡斯·科纳卡·诺拉斯科（Lucas Konaka Nolasco）|雷南·索萨·库尼亚（Renan Souza Cunha）|卢卡斯·努内斯·萨莱斯·德·安德拉德（Lucas Nunes Sales de Andrade）|塞尔吉奥·里卡多·穆尼兹（Sergio Ricardo Muniz）|克莱贝尔·雷纳托·门东卡（Cleber Renato Mendonca）

圣卡洛斯物理研究所，圣保罗大学，邮编CP 369，13560-970，圣卡洛斯，圣保罗州，巴西

摘要

金刚石中存在多种晶格缺陷，其中氮空位（NV）中心因其在量子光子学中的重要性而尤为突出，因为它们可以作为光学可寻址的量子比特。然而，控制其形成的复杂激光-材料相互作用尚未完全理解，激光参数对NV生成的影响仍然存在未解之谜。在这里，我们使用主成分分析（PCA）和人工神经网络（ANN）作为预测工具，基于飞秒激光参数来研究NV中心的生成。来自金刚石飞秒激光微加工的实验结果为我们提供了分析数据集。我们采用PCA来降低数据维度并揭示主要实验趋势，同时训练了一个多层感知器模型来预测模拟条件下的NV中心生成情况。GridSearch优化和留一法交叉验证（LOOCV）确保了ANN的最佳性能和鲁棒性。我们的研究结果表明，NV中心的生成与激光峰值能量成正比，与脉冲持续时间和激发波长成反比。值得注意的是，PCA和ANN建模独立得出了一致的趋势，这增强了所观察到的参数-缺陷关系的可靠性。这种一致性为开发更精确的金刚石中可控色心生成预测框架提供了支持。

部分摘录

引言

机器学习（ML）是计算机科学的一个分支，它探索算法通过模仿人类智能来学习和解决问题的能力¹。人工神经网络（ANN）是一种受生物神经系统架构启发的ML模型，通过模拟人工神经元网络创建而成。ANN的“学习”方式取决于输入数据，通常可以分为监督学习、无监督学习和半监督学习²。在监督学习中，ANN

数据集

我们使用了一个包含75个实验观察结果的数据集，这些结果来自金刚石中通过激光生成的NV中心。这些NV色心是通过飞秒激光处理从Element Six购买的CVD金刚石样品产生的，样品中的氮和硼杂质含量分别为0.1 ppm和0.05 ppm。该方法依赖于飞秒激光相互作用产生的空位，这些空位位于氮杂质附近（18, 24, 25位置）。这样的处理

无监督机器学习分析

图4显示了每个主成分（PC）的累积方差，表明前两个主成分解释了数据88%的变异性，其中PC1贡献了最大的份额，为58%。

图5中的加载图（也称为cos2(θ)图）显示了新主成分空间中的变量分布。具体来说，加载值表示所使用的主成分与原始变量之间的皮尔逊相关性，表达式为$$