摘要
NMR谐振器是负责发送射频脉冲和接收检测信号的传感器，其调谐与匹配对于获取高灵敏度的NMR信号至关重要。因此，自动调谐与匹配（ATM）对于实现快速、准确且持续高效的测试至关重要。现有的NMR ATM方法仍然主要依赖于迭代搜索策略，其主要成本来源于重复的硬件测量和等待时间，通常需要多个测量周期才能达到收敛。高浓度离子样品的原位NMR检测技术的出现进一步增加了对实时、快速且具有大动态范围的ATM的需求，这对传统方法构成了重大挑战。本文提出了一种基于物理知识的少样本学习方法，用于宽带和多共振频率NMR场景下的自动调谐与匹配。将调谐与匹配问题表述为结构与频率条件下的函数回归任务，并引入了条件神经过程（CNP）来学习跨任务的先验知识，从而仅通过少量实际机器环境测量数据直接预测可调组件的状态。此外，还设计了一种基于输入阻抗局部灵敏度的物理正则化机制，在高Q值窄带工作条件下对误差施加更强的惩罚，而无需依赖专有的分析电路模型。通过模拟研究和实际NMR实验，在多种电路拓扑结构和多个目标频率下，仅使用少量NMR样本就取得了显著的性能提升，包括调谐与匹配的准确性以及每次任务所需收集的实际机器样本数量。特别是，仅需100个采样的调谐/匹配电容点以及20个在硬件上收集的样本，所提出的方法就已经能够实现令人满意的调谐与匹配性能。该方法在跨拓扑结构和跨频率场景下均实现了良好的准确性-成本平衡，并显示出在少样本、快速、实时检测方面的强大潜力。
