Maskinlæring tager besværet ud af eksperimenter med kolde atomer – Physics World

Maskinlæring tager besværet ud af eksperimenter med kolde atomer – Physics World

Tidsstempel: 31. januar 2024 kl. 4
Kildeknude: 3091277


Foto af vakuumkammeret, der indeholder rubidium MOT, omgivet af optik og billeddannelsessystemer
Automatiske justeringer: Et kig ind i vakuumkammeret, der indeholder Tübingen-gruppens rubidium magneto-optiske fælde (MOT). Frekvensen af ​​MOT-laserne styres af en forstærkningslæringsagent. (Med høflighed: Malte Reinschmidt)

Kolde atomer løser mange problemer inden for kvanteteknologi. Vil du have en kvantecomputer? Du kan lave en af ​​en række ultrakolde atomer. Har du brug for en kvanterepeater til et sikkert kommunikationsnetværk? Kolde atomer har du dækket. Hvad med en kvantesimulator til komplicerede problemer med kondenseret stof? Ja, kolde atomer kan også gøre det.

Ulempen er, at gøre nogen af ​​disse ting kræver omkring to nobelpriser af eksperimentelle apparater. Værre, de mindste kilder til forstyrrelse – en ændring i laboratorietemperaturen, et vildfarent magnetfelt (kolde atomer gør også fremragende kvantemagnetometre), selv en smækket dør – kan forurolige de komplicerede rækker af lasere, optik, magnetspoler og elektronik, der gør koldatomfysik mulig.

For at klare denne kompleksitet er koldatom-fysikere begyndt at udforske måder at bruge maskinlæring til at udvide deres eksperimenter. I 2018 udviklede et hold ved Australian National University for eksempel en maskinoptimeret rutine til indlæsning af atomer i de magneto-optiske fælder (MOT'er), der danner udgangspunktet for kold-atom eksperimenter. I 2019 anvendte en gruppe på RIKEN i Japan dette princip på et senere trin af køleprocessen ved at bruge maskinlæring til at identificere nye og effektive måder at afkøle atomer på til temperaturer en brøkdel af en grad over det absolutte nulpunkt, hvor de går ind i en kvantetilstand kendt som et Bose-Einstein-kondensat (BEC).

Lad maskinen gøre det

I den seneste udvikling i denne trend har to uafhængige teams af fysikere vist, at en form for maskinlæring kendt som forstærkningslæring kan hjælpe kolde atomsystemer med at håndtere forstyrrelser.

"I vores laboratorium fandt vi ud af, at vores BEC-producerende system var ret ustabilt, så vi kun havde mulighed for at producere BEC'er af rimelig kvalitet i få timer om dagen," forklarer Nick Milson, en ph.d.-studerende ved University of Alberta, Canada, der ledede et af projekterne. At optimere dette system manuelt viste sig at være udfordrende: "Du har en procedure understøttet af kompliceret og generelt uoverskuelig fysik, og dette er sammensat af et eksperimentelt apparat, som naturligvis vil have en vis grad af ufuldkommenhed," siger Milson. "Det er grunden til, at mange grupper har tacklet problemet med maskinlæring, og hvorfor vi henvender os til forstærkningslæring for at tackle problemet med at bygge en konsistent og reaktiv controller."

Reinforcement learning (RL) fungerer anderledes end andre maskinlæringsstrategier, der tager mærkede eller umærkede inputdata ind og bruger dem til at forudsige output. I stedet sigter RL på at optimere en proces ved at forstærke ønskværdige resultater og straffe dårlige.

I deres undersøgelse tillod Milson og kolleger en RL-agent kaldet et skuespillerkritisk neuralt netværk at justere 30 parametre i deres apparat til at skabe BEC'er af rubidiumatomer. De forsynede også midlet med 30 miljøparametre, der blev registreret under den foregående BEC-oprettelsescyklus. "Man kan tænke på skuespilleren som beslutningstageren, der forsøger at finde ud af, hvordan man agere som reaktion på forskellige miljømæssige stimuli," forklarer Milson. "Kritikeren forsøger at finde ud af, hvor godt skuespillerens handlinger vil præstere. Dens opgave er i bund og grund at give feedback til skuespilleren ved at vurdere "godheden" eller "dårligheden" af potentielle handlinger, der er taget."

Efter at have trænet deres RL-agent på data fra tidligere eksperimentelle kørsler, fandt Alberta-fysikerne ud af, at den RL-styrede controller konsekvent klarede sig bedre end mennesker ved at indlæse rubidium-atomer i en magnetisk fælde. Den største ulempe, siger Milson, var den tid, der krævedes til at indsamle træningsdata. "Hvis vi kunne introducere en ikke-destruktiv billeddannelsesteknik som fluorescensbaseret billeddannelse, kunne vi i det væsentlige have systemet til at indsamle data hele tiden, uanset hvem der i øjeblikket brugte systemet, eller til hvilket formål," siger han. Fysik verden.

Trin for trin

I et separat værk har fysikere ledet af Valentin Volchkov fra Max Planck Institute for Intelligent Systems og University of Tübingen, Tyskland, sammen med sin Tübingen-kollega Andreas Günther, tog en anden tilgang. I stedet for at træne deres RL-agent til at optimere snesevis af eksperimentelle parametre, fokuserede de på kun to: magnetfeltgradienten af ​​MOT og frekvensen af ​​laserlyset, der bruges til at afkøle og fange rubidium-atomer i det.

Den optimale værdi af laserfrekvensen er generelt en, der producerer det største antal atomer N ved den laveste temperatur T. Men dette optimale værdiændringer da temperaturen falder på grund af interaktioner mellem atomerne og laserlyset. Tübingen-teamet tillod derfor deres RL-agent at justere parametre ved 25 sekventielle tidstrin under en 1.5 sekunder lang MOT-belastningscyklus og "belønnede" den for at komme så tæt som muligt på den ønskede værdi af N / T i slutningen, som målt ved fluorescensbilleddannelse.

Mens RL-agenten ikke kom med nogen hidtil ukendte strategier til afkøling af atomer i MOT - "et ret kedeligt resultat", joker Volchkov - det gjorde det eksperimentelle apparat mere robust. "Hvis der er nogle forstyrrelser på tidsskalaen for vores prøveudtagning, så burde agenten være i stand til at reagere på det, hvis den er trænet i overensstemmelse hermed," siger han. Sådanne automatiske justeringer, tilføjer han, vil være afgørende for at skabe bærbare kvanteenheder, der "ikke kan have ph.d.-studerende til at passe dem 24-7".

Et værktøj til komplekse systemer

Volchkov mener, at RL også kunne have bredere anvendelser inden for koldatomfysik. "Jeg er overbevist om, at forstærkningslæring har potentialet til at give nye driftsformer og kontraintuitive kontrolsekvenser, når de anvendes til kontrol af ultrakolde kvantegaseksperimenter med tilstrækkelige grader af frihed," siger han. Fysik verden. "Dette er især relevant for mere komplekse atomarter og molekyler. Til sidst kan en analyse af disse nye kontrolformer kaste lys over fysiske principper, der styrer mere eksotiske ultrakolde gasser."

Milson er ligeledes begejstret for teknikkens potentiale. "Brugssager er sandsynligvis uendelige og spænder over alle områder af atomfysik," siger han. "Fra optimering af indlæsning af atomer i en optisk pincet til design af protokoller i kvantehukommelse til optimal lagring og genfinding af kvanteinformation, virker maskinlæring meget velegnet til disse komplicerede scenarier med mange krop, der findes i atom- og kvantefysik."

Alberta-holdets arbejde udgives i Machine Learning: Videnskab og teknologi. Tübingen-teamets arbejde optræder i en arXiv fortryk.

  • Denne artikel blev ændret den 31. januar 2024 for at tydeliggøre Valentin Volchkovs tilhørsforhold og detaljer om Tübingen-eksperimentet.

Tidsstempel:

Mere fra Fysik verden