التعلم الآلي يزيل المتاعب من تجارب الذرة الباردة – عالم الفيزياء

الذرات الباردة تحل العديد من المشاكل في تكنولوجيا الكم. هل تريد حاسوبًا كميًا؟ يمكنك صنع واحدة من مجموعة من الذرات فائقة البرودة. هل تحتاج إلى مكرر كمي لشبكة اتصالات آمنة؟ الذرات الباردة هل غطيت. ماذا عن جهاز محاكاة الكم لمشاكل المواد المكثفة المعقدة؟ نعم، ذرات باردة يمكن أن تفعل ذلك أيضا.

الجانب السلبي هو أن القيام بأي من هذه الأشياء يتطلب ما يعادل جائزتي نوبل تقريبًا من الأجهزة التجريبية. والأسوأ من ذلك، أن أصغر مصادر الاضطراب هي التغير في درجة حرارة المختبر، والمجال المغناطيسي الشارد (تنتج الذرات الباردة أيضًا مقاييس مغناطيسية كمية ممتازة)، حتى الباب الموصد - يمكن أن يزعزع المصفوفات المعقدة من أجهزة الليزر والبصريات والملفات المغناطيسية والإلكترونيات التي تجعل فيزياء الذرة الباردة ممكنة.

للتعامل مع هذا التعقيد، بدأ علماء فيزياء الذرة الباردة باستكشاف طرق لاستخدام التعلم الآلي لتعزيز تجاربهم. في عام 2018، على سبيل المثال، قام فريق من الجامعة الوطنية الأسترالية بتطوير أداة روتين محسّن آليًا لتحميل الذرات في المصائد المغناطيسية الضوئية (MOTs) التي تشكل نقطة البداية لتجارب الذرة الباردة. في عام 2019، طبقت مجموعة في RIKEN في اليابان هذا المبدأ على مرحلة لاحقة من عملية التبريد، باستخدام التعلم الآلي التعرف على طرق جديدة وفعالة لتبريد الذرات إلى درجات حرارة جزء من درجة فوق الصفر المطلق، حيث تدخل حالة كمومية تعرف باسم مكثف بوز-آينشتاين (BEC).

دع الآلة تفعل ذلك

وفي أحدث تطور في هذا الاتجاه، أظهر فريقان مستقلان من الفيزيائيين أن أحد أشكال التعلم الآلي المعروف باسم التعلم المعزز يمكن أن يساعد أنظمة الذرة الباردة على التعامل مع الاضطرابات.

"في مختبرنا، وجدنا أن نظام إنتاج بوز-آينشتاين لدينا كان غير مستقر إلى حد ما، بحيث لم يكن لدينا سوى القدرة على إنتاج بوز-آينشتاين بجودة معقولة لبضع ساعات من اليوم"، يوضح ذلك. نيك ميلسون، طالب دكتوراه في جامعة ألبرتا بكندا والذي قاد أحد المشاريع. لقد أثبت تحسين هذا النظام يدويًا أنه أمر صعب: "لديك إجراء مدعوم بفيزياء معقدة ومستعصية بشكل عام، ويضاف إلى ذلك جهاز تجريبي من الطبيعي أن يكون به درجة معينة من النقص"، كما يقول ميلسون. "وهذا هو السبب وراء قيام العديد من المجموعات بمعالجة مشكلة التعلم الآلي، ولماذا ننتقل إلى التعلم المعزز لمعالجة مشكلة بناء وحدة تحكم متسقة وتفاعلية."

يعمل التعلم المعزز (RL) بشكل مختلف عن استراتيجيات التعلم الآلي الأخرى التي تأخذ بيانات المدخلات المصنفة أو غير المسماة وتستخدمها للتنبؤ بالمخرجات. وبدلاً من ذلك، يهدف RL إلى تحسين العملية من خلال تعزيز النتائج المرغوبة ومعاقبة الفقراء.

في دراستهم، سمح ميلسون وزملاؤه لعامل RL يُسمى الشبكة العصبية الفاعلة الناقدة بضبط 30 معلمة في أجهزتهم لإنشاء بوز-آينشتاين (BECs) من ذرات الروبيديوم. كما قاموا بتزويد العامل بـ 30 معلمة بيئية تم استشعارها خلال دورة إنشاء BEC السابقة. يوضح ميلسون: "قد يفكر المرء في الممثل باعتباره صانع القرار، الذي يحاول معرفة كيفية التصرف استجابة للمحفزات البيئية المختلفة". "يحاول الناقد معرفة مدى جودة أداء تصرفات الممثل. وتتمثل مهمتها بشكل أساسي في تقديم ردود فعل للممثل من خلال تقييم "حسن" أو "سوء" الإجراءات المحتملة المتخذة.

بعد تدريب وكيل RL الخاص بهم على بيانات من التجارب التجريبية السابقة، وجد فيزيائيو ألبرتا أن وحدة التحكم الموجهة RL تتفوق باستمرار على البشر في تحميل ذرات الروبيديوم في المصيدة المغناطيسية. يقول ميلسون إن العيب الرئيسي هو الوقت اللازم لجمع بيانات التدريب. يقول: "إذا تمكنا من تقديم تقنية تصوير غير مدمرة مثل التصوير المعتمد على الفلورسنت، فيمكننا أن نجعل النظام يجمع البيانات طوال الوقت، بغض النظر عمن يستخدم النظام حاليًا، أو لأي غرض". عالم الفيزياء.

اهلاً بك في عالم بلانكي - خطوة ب خطوة

وفي عمل منفصل، قاد الفيزيائيون فالنتين فولتشكوف من معهد ماكس بلانك للأنظمة الذكية وجامعة توبنغن بألمانيا، مع زميله توبنغن أندرياس غونتر، اتخذ نهجا مختلفا. بدلًا من تدريب وكيل RL الخاص بهم لتحسين العشرات من المعلمات التجريبية، ركزوا على اثنين فقط: تدرج المجال المغناطيسي لـ MOT، وتردد ضوء الليزر المستخدم لتبريد ذرات الروبيديوم وحبسها فيها.

القيمة المثلى لتردد الليزر هي بشكل عام تلك التي تنتج أكبر عدد من الذرات N عند أدنى درجة حرارة T. ومع ذلك، هذا تغييرات القيمة المثلى حيث تنخفض درجة الحرارة بسبب التفاعلات بين الذرات وضوء الليزر. ولذلك سمح فريق توبنغن لوكيل RL الخاص به بضبط المعلمات في 25 خطوة زمنية متسلسلة خلال دورة تحميل MOT مدتها 1.5 ثانية، و"مكافأته" على اقترابه قدر الإمكان من القيمة المطلوبة غير متوفر في النهاية، كما تم قياسه بواسطة التصوير الفلوري.

في حين أن عامل RL لم يتوصل إلى أي استراتيجيات غير معروفة سابقًا لتبريد الذرات في MOT - "نتيجة مملة للغاية"، كما يقول فولشكوف مازحًا - إلا أنه جعل الجهاز التجريبي أكثر قوة. ويقول: "إذا كان هناك بعض الاضطراب في النطاق الزمني لأخذ العينات، فيجب أن يكون الوكيل قادرًا على الاستجابة لها إذا تم تدريبه وفقًا لذلك". ويضيف أن مثل هذه التعديلات التلقائية ستكون حيوية لإنشاء أجهزة كمومية محمولة "لا يمكن أن يعتني بها طلاب الدكتوراه على مدار الساعة طوال أيام الأسبوع".

أداة للأنظمة المعقدة

يعتقد فولتشكوف أن RL يمكن أن يكون له أيضًا تطبيقات أوسع في فيزياء الذرة الباردة. يقول: "أعتقد اعتقادًا راسخًا أن التعلم المعزز لديه القدرة على إنتاج أنماط جديدة من العمليات وتسلسلات تحكم غير بديهية عند تطبيقها على التحكم في تجارب الغاز الكمومي فائق البرودة بدرجات كافية من الحرية". عالم الفيزياء. "هذا مهم بشكل خاص للأنواع والجزيئات الذرية الأكثر تعقيدًا. وفي نهاية المطاف، فإن تحليل طرق التحكم الجديدة هذه قد يسلط الضوء على المبادئ الفيزيائية التي تحكم الغازات فائقة البرودة الأكثر غرابة.

الأبرد: كيف قادت رسالة إلى أينشتاين والتقدم في تكنولوجيا التبريد بالليزر الفيزيائيين إلى حالات كمومية جديدة للمادة

ميلسون متحمس بالمثل بشأن إمكانات هذه التقنية. ويقول: «إن حالات الاستخدام ربما لا نهاية لها، وتغطي جميع مجالات الفيزياء الذرية». "من تحسين تحميل الذرات في الملقط البصري، إلى تصميم البروتوكولات في الذاكرة الكمومية للتخزين الأمثل واسترجاع المعلومات الكمومية، يبدو التعلم الآلي مناسبًا جدًا لهذه السيناريوهات المعقدة والمتعددة الأجسام الموجودة في الفيزياء الذرية والكمية."

يتم نشر عمل فريق ألبرتا في تعلم الآلة: العلوم والتكنولوجيا. يظهر عمل فريق توبنجن في arXiv ما قبل الطباعة.

• تم تعديل هذه المقالة في 31 يناير 2024 لتوضيح انتماءات فالنتين فولتشكوف وتفاصيل تجربة توبنغن.

• محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
• PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
• أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
• أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
• أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
• المصدر https://physicsworld.com/a/machine-learning-takes-hassle-out-of-cold-atom-experiments/