Am Freitag, dem 16. Mai 2025, 13:00 Uhr, Seminarraum 110, LLM, findet die Verteidigung der Dissertationsarbeit von Andrii Trelin (AG Quantentechnologie) zum Thema “Imaging and motion detection at the nanometer scale: a data-driven approach” als Hybrid-Veranstaltung statt.
Anmeldungen für eine Online-Teilnahme bitte unter: verteidigungen.physikuni-rostockde bis 15.05.2025
Zusammenfassung
Wir untersuchen das Potenzial datengetriebener Methoden in der Physik, insbesondere zur Detektion schwacher Signale. Der Schwerpunkt liegt auf der nicht-invasiven optischen Erfassung neuronaler Aktionspotenziale sowie der Tomographie von Stickstoff-Fehlstellenzentren (NV-Zentren) in Diamanten im Nanomaßstab. Der Hauptteil stellt ChiSCAT vor, ein optisches Verfahren, das interferometrische Sensitivität gegenüber zellulären Bewegungen mit hochnumerischer Apertur (High-NA) in der Beleuchtung kombiniert. Dies ermöglicht Hochgeschwindigkeitsaufnahmen, liefert jedoch kein interpretierbares Bild. Dieses Problem wird durch den ChiSCAT-Algorithmus gelöst, der datengetriebene Techniken verwendet, um Membranbewegungssignale zu extrahieren, die mit Aktionspotenzialen in elektrisch aktiven Zellen verbunden sind. Die experimentelle Validierung an aus menschlichen iPS-Zellen abgeleiteten Kardiomyozyten zeigte Aktionspotenziale in 71 % der Experimente. Der zweite Teil widmet sich der Optimierung der 3D-Tomographie von Spins im Nanomaßstab für NV-Zentren. Ein neuartiger Ansatz zur Datenerfassung und -verarbeitung nutzt die bekannte Struktur der Signale, um die Messungen zu beschleunigen. Dadurch konnte die Erfassungszeit um den Faktor zehn reduziert und Fehler infolge von Drift im Aufbau minimiert werden. Mit der Demonstration dieser beiden Beispiele plädiert diese Arbeit für den Einsatz fortgeschrittener Algorithmen zur effektiven Nutzung bislang als nicht interpretierbar geltender Daten und unterstreicht die Bedeutung des interdisziplinären Zusammenspiels zwischen Datenverarbeitung und experimentellem Design.
Abstract
We explore the potential of data-driven methodologies in physics, specifically for small signal detection, focusing on non-invasive optical detection of neuronal action potentials and nanoscale tomography of nitrogen-vacancy centers in diamonds. The main part proposes ChiSCAT, an optical scheme combining interferometric sensitivity to cellular motions with high-NA illumination, allowing for high-speed recording but providing no interpretable image. This is addressed by the ChiSCAT algorithm, which uses data-driven techniques to extract membrane motion signals linked to action potentials in electrically active cells. Experimental validation on human iPSC-derived cardiomyocytes detected action potentials in 71% of experiments. The second part is devoted to optimizing 3D nanoscale spin tomography for NV centers. A new data collection and processing approach exploits known signal structure to accelerate measurements, achieving a tenfold reduction in data collection time and reducing errors from setup drift. By demonstrating these two examples, this work advocates the use of sophisticated algorithms to effectively utilize data, previously considered uninterpretable, emphasizing the importance of interdisciplinary interplay between data processing and experimental design.
Interessenten sind herzlich eingeladen!