At a glance
Polnische Metrologen entwickelten ein Python-Framework, das Ausreißer erkennt und physikalisch plausible Kalibrierkurven für RhFe- und PtCo-Sensoren unter 25 K wählt.
Bei 4 Kelvin ist es ein Fehler von 2,5 Prozent in der inneren Energie eines Materials - ungefähr das Äquivalent des falschen Lesens der Raumtemperatur um 3 Grad - und die Autoren einer neuen Kalibrierungsstudie argumentieren, dass eine Abweichung dieser Größe ein Quantensystem aus der Kohärenz schieben kann.
Die Gruppe, geleitet von Grzegorz Szklarz vom Temperature Standard Laboratory des Instituts, hat einen analytischen Rahmen für die Kalibrierung von Rhodium-Eisen (RhFe) und Platin-Cobalt (PtCo) Widerstandsthermometern unter 25 Kelvin veröffentlicht.
Die Zeit ist wichtig. Quantencomputer und Superleitungselektronik, zusammen mit Raum- und Teilchenphysikdetektoren, arbeiten alle in diesem tiefen kryogenen Bereich. Seit 2019 wurde der Kelvin durch einen festen Wert der Boltzmann-Konstante definiert, der nationale Laboratorien dazu veranlasst hat zu beweisen, dass Temperaturmessungen von 4 K bis 300 K auf die Thermodynamik wirklich nachverfolgbar sind. Ein Sensor, dessen Kalibrierkurve ruhig schwankt, untergräbt diese gesamte Kette, egal wie präzise die Hardware um ihn herum ist.
Ein Sensor, der Widerstand, nicht Temperatur meldet
Ein Kapselwiderstandsthermometer ist ein Stück Legierungsdraht in einem versiegelten Gehäuse, und seine Rohleistung ist eine Zahl in Ohm. Jemand muss die Regel aufschreiben, die diesen Widerstand in Temperatur umwandelt. Über etwa 14 K bewältigen Standard-Platin-Thermometer die Arbeit mit einer nahezu linearen Reaktion. Unten verblasst ihre Empfindlichkeit, so dass sich Metrologen zu Legierungssensoren wenden. Rhodium-Eisen-Thermometer, die typischerweise etwa 0,5 Prozent atomaren Eisen enthalten, wurden seit den 1970er Jahren verwendet. Platin-Cobalt ist eine neuere Alternative, die für wie reproduzierbar es hergestellt werden kann.
Unter 25 K bricht diese Umwandlungsregel scharf. Beide Legierungen reagieren auf eine stark nichtlineare Weise, da die Temperatur auf den dreifachen Punkt von Neon bei 24.5561 K und darüber hinaus fällt. Kalibrierung hat traditionell bedeutet, ein Polynom durch die gemessenen Punkte zu passen. Ein hochgradiges Polynom kann durch fast alle Daten gezwungen werden, aber es neigt dazu, zwischen den Punkten zu schwingen - eine Schwingung, die nach dem Mathematiker Carl Runge benannt wurde - und es kann Lärm verfolgen, anstatt das wahre Verhalten des Sensors, ein Versagen, das als Überfüllung bekannt ist.
Denken Sie an den Anpassungsprozess als ein Suspensionsproblem.Ein hochgradiges Polynom wirkt wie eine starre Achse, die über jeden Aufprall in den Daten schlägt.Eine rationale Funktion, die ein Polynom durch ein anderes geteilt ist, fügt einen Nenner hinzu, der sich wie eine Quelle verhält und die scharfen Veränderungen in der Sensorempfindlichkeit absorbiert, wenn die Temperatur der absoluten Null nähert.
Was das Python Framework tut
Der Code beginnt in der mittelsten Phase des Prozesses - Rohwiderstandslesungen, die mit Lärm und Drift kommen, zusammen mit dem gelegentlichen schlechten Punkt.Es verschluckt diese Lesungen, erkennt statistische Outliers, passt zu Kandidatenmodellen und erzielt jeden Kandidaten mit mehreren Diagnosen anstelle einer einzigen Passstatistiken.
- Informationskriterien (AIC und BIC), die ein Modell dafür bestrafen, zusätzliche Parameter nur zum Nachverfolgen von Lärm auszugeben
- Der Durbin-Watson-Test, der nach Autokorrelation sucht – versteckte Struktur – in den Rückständen, die nach dem Einfügen übrigbleiben
- Iterative Außendetektion, die das Modell und die abgelehnten Punkte zusammen verfeinert
- Kreuzvalidierung gegen unabhängige Heiz- und Kühlläufe
Das Akaike-Informationskriterium und das Bayesian-Informationskriterium fragen beide, ob eine fancier Kurve seine zusätzlichen Parameter verdient; wenn es nicht ist, sagt Ihnen die Punktzahl, die einfachere zu bevorzugen.
Das Design zielt auf ein kreisförmiges Problem ab, das die Autoren in der Einführung des Artikels darstellen. Sie können Outliers ohne ein vernünftiges vorläufiges Modell nicht zuverlässig erkennen, aber die Modellwahl wird durch die gleichen Outliers, die Sie versuchen zu finden, beschädigt.
Um das Werkzeug zu überprüfen, führte das Team es auf Messungen von 17 Sensoren aus Platin-, PtCo- und RhFe-Thermometern aus, die mehrere Labore durchlaufen hatten, die alle unter 25 K kalibriert waren.Veröffentlicht in Messung, ist explizit, dass der Beitrag die Methodik selbst ist, nicht das Ranking eines Geräts eines Herstellers gegen ein anderes.
Photo by Charly Álvarez on Unsplash
Warum rationale Funktionen gewinnen
Über die 17 Sensoren hinweg kam eine Familie von Kurven weiter. Rationale Funktionen beschrieben die RhFe- und PtCo-Sensoren besser als die hochgradigen Polynomials, die weiterhin üblich sind. Sie lieferten eine höhere numerische Stabilität und kleinere Rückstände, während sie die physikalischen Veränderungen der Sensorempfindlichkeit treu verfolgten.
Die Autoren sagen, dass das Ergebnis auf etwas hinweist, was Metrologie-Labors seit Jahren wollen: Eine einzige, universelle Kalibrierfunktion für RhFe- und PtCo-Thermometer, die sich vom Kochenpunkt von Helium bis zum dreifachen Punkt des Wassers erstreckt.
In der Diskussion gestalten Szklarz und seine Co-Autoren die Einsätze direkt: Moderne Quantentechnologien erfordern den Übergang „abseits vereinfachter Kalibrierungsroutinen zu evidenzbasierten, automatisierten Verfahren“.Zenodo als PrecisionThermometryFramework... .
Wo Vorsicht gerechtfertigt ist
Die Autoren sind explizit, dass sie den Rahmen auf dem zusammengefassten DireK-T-Datensatz getestet haben und nicht die absolute Leistung eines einzelnen Sensors als letztes Wort darstellen.
Rationale Funktionen tragen eine bekannte Warnung. „Eine rationale Funktion ist ein ausgezeichneter Interpolator, aber ihr Nenner kann sich außerhalb des Bereichs, in dem sie eingesetzt wurde, unberechenbar verhalten“, sagte ein unabhängiger Metrologe, der nicht an der Arbeit beteiligt ist. „Der sinnvolle Test ist, ob ein anderes Labor mit seinem eigenen Kryostat und seinem eigenen Datensatz das Ergebnis reproduziert.“
Sie präsentieren den Rahmen als standardisierte, statistisch strenge Grundlage und einen Schritt in Richtung zukünftiger maschinell erlernter Optimierung von Kalibrierprotokollen, nicht als fertiges Universalmodell.
Der europäische metrologische Hintergrund
Die Arbeit wurde im Rahmen des europäischen Metrologiepartnerschaftsprojekts 22IEM02 „Dissemination of the redefined kelvin“ durchgeführt, bekannt als DireK-T. Koordiniert durch EURAMET und mitfinanziert durch das Programm der Europäischen Union „Horizon Europe“ und die teilnehmenden Staaten, läuft das Projekt von 2023 bis 2026 und zielt auf eine Unsicherheit von 0,3 Millikelvin für die thermodynamische Temperaturverteilung zwischen 4 K und 25 K.
Seit der Neudefinition 2019 haben nationale Metrologieinstituten daran gearbeitet, die thermodynamische Temperatur von einem Papier-Ideal in eine praktische, übertragbare Messung umzuwandeln. INTiBS, das Wrocław-Institut, in dem Szklarz tätig ist, kalibrierte die Kapselthermometer des Projekts im Bereich von 4 K bis 25 K. Die eigene Zusammenfassung der Arbeit des Instituts ist auf der Website des Instituts verfügbar.Wissenschaftliche Nachrichtenseite, und das breitere DireK-T-Design wird in einerOpen Overview Papier... .
Photo by sidi alexx on Unsplash
Wie das nächste Jahrzehnt aussehen könnte
Wenn die rational-funktionale Kalibrierung ankommt, ist der kurzfristige Preis eine einzige Funktion, die ein RhFe- oder PtCo-Thermometer vom Kochenpunkt des Heliums bis zum dreifachen Punkt des Wassers trägt, wodurch die gefalteten Kurven beseitigt werden, die Breitbandinstrumente komplizieren.
Für ein Quantenhardware-Startup oder ein nationales Metrologieinstitut bedeutet das weniger versteckte Kalibrierungsfehler und eine einfachere Verteidigung jedes Millikelvin, wenn die Ergebnisse auditiert werden.
- kryogene Thermometrie
- RhFe-Sensoren
- PtCo-Sensoren
- Temperaturkalibrierung
- Quantencomputing

