Masinõpe eemaldab külma aatomiga katsetest vaeva – füüsikamaailm

Külmad aatomid lahendavad palju kvanttehnoloogia probleeme. Kas soovite kvantarvutit? Saate seda teha ühest ülikülmade aatomite hulk. Kas vajate turvalise sidevõrgu jaoks kvantreiiterit? Külmad aatomid kas olete kaetud. Kuidas oleks kvantsimulaatoriga keeruliste kondenseeritud aine probleemide lahendamiseks? Jah, külmad aatomid saab ka seda teha.

Negatiivne külg on see, et nende asjade tegemine nõuab umbes kahe Nobeli preemia väärtuses katseaparatuurist. Mis veelgi hullem, kõige pisemad ärrituse allikad – laboritemperatuuri muutus, hulkuv magnetväli (ka külmad aatomid suurepärased kvantmagnetomeetrid), isegi kinni löödud uks – võib häirida keerulisi laserite, optika, magnetpoolide ja elektroonika massiivi, mis muudavad külma aatomi füüsika võimalikuks.

Selle keerukusega toimetulemiseks on külma aatomi füüsikud hakanud uurima võimalusi, kuidas kasutada masinõpet oma katsete täiendamiseks. Näiteks 2018. aastal töötas Austraalia riikliku ülikooli meeskond välja a masinaga optimeeritud rutiin aatomite laadimiseks magneto-optilistesse lõksudesse (MOT-id), mis moodustavad külma aatomi katsete lähtepunkti. 2019. aastal rakendas Jaapanis RIKENi rühm seda põhimõtet jahutusprotsessi hilisemas etapis, kasutades selleks masinõpet. leida uusi ja tõhusaid viise aatomite jahutamiseks temperatuuridele, mis on kraadi võrra üle absoluutse nulli, kus nad sisenevad kvantolekusse, mida nimetatakse Bose-Einsteini kondensaadiks (BEC).

Las masin teeb

Selle suundumuse uusimas arengus on kaks sõltumatut füüsikute meeskonda näidanud, et masinõppe vorm, mida nimetatakse tugevdusõppeks, võib aidata külma aatomi süsteemidel häireid toime tulla.

"Meie laboris avastasime, et meie BEC-i tootmissüsteem oli üsna ebastabiilne, nii et meil oli võimalus toota mõistliku kvaliteediga BEC-e ainult paar tundi päevas," selgitab Nick Milson, Kanada Alberta ülikooli doktorant, kes juhtis üks projektidest. Selle süsteemi käsitsi optimeerimine osutus keeruliseks: "Teil on protseduur, mille aluseks on keeruline ja üldiselt raskesti lahendatav füüsika ning sellele lisandub eksperimentaalne aparaat, millel on loomulikult teatud ebatäiuslikkus," ütleb Milson. "See on põhjus, miks paljud rühmad on masinõppe probleemiga tegelenud ja miks me pöördume järjekindla ja reageeriva kontrolleri loomise probleemi lahendamiseks tugevdava õppe poole."

Tugevdusõpe (RL) toimib erinevalt teistest masinõppestrateegiatest, mis võtavad vastu märgistatud või märgistamata sisendandmeid ja kasutavad neid väljundite ennustamiseks. Selle asemel püüab RL protsessi optimeerida, tugevdades soovitud tulemusi ja karistades kehvasid.

Oma uuringus lubasid Milson ja tema kolleegid RL-agendil, mida nimetatakse näitleja-kriitiliseks närvivõrguks, kohandada oma seadmes 30 parameetrit rubiidiumiaatomite BEC-de loomiseks. Samuti varustasid nad agenti 30 keskkonnaparameetriga, mis tuvastati eelmise BEC-i loomise tsükli ajal. "Võib mõelda, et näitleja on otsustaja, kes püüab välja mõelda, kuidas reageerida erinevatele keskkonnastiimulitele," selgitab Milson. "Kriitik püüab aru saada, kui hästi näitleja teod toimivad. Selle ülesanne on sisuliselt anda osalejale tagasisidet, hinnates võimalike tehtud tegevuste "headust" või "halbu".

Pärast oma RL-i agenti eelmiste katsete andmete põhjal väljaõpet leidsid Alberta füüsikud, et RL-i juhitav kontroller ületas järjekindlalt inimesi rubiidiumiaatomite laadimisel magnetlõksu. Peamine puudus oli Milsoni sõnul treeningandmete kogumiseks kuluv aeg. "Kui saaksime kasutusele võtta mittepurustava pilditehnika, näiteks fluorestsentsil põhineva pildistamise, saaksime põhimõtteliselt lasta süsteemil kogu aeg andmeid koguda, olenemata sellest, kes süsteemi parajasti kasutab või mis eesmärgil," räägib ta. Füüsika maailm.

Samm sammu haaval

Eraldi töös juhtisid füüsikud Valentin Volchkov of the Max Planck Institute for Intelligent Systems and the University of Tübingen, Germany, together with his Tübingen colleague Andreas Günther, took a different approach. Instead of training their RL agent to optimize dozens of experimental parameters, they focused on just two: the magnetic field gradient of the MOT,  and the frequency of the laser light used to cool and trap rubidium atoms in it.

The optimum value of the laser frequency is generally one that produces the greatest number of atoms N madalaimal temperatuuril T. Kuid see optimaalsed väärtuse muutused as the temperature drops due to interactions between the atoms and the laser light. The Tübingen team therefore allowed their RL agent to adjust parameters at 25 sequential time steps during a 1.5-second-long MOT loading cycle, and “rewarded” it for getting as close as possible to the desired value of N/T at the end, as measured by fluorescence imaging.

Kuigi RL agent ei tulnud MOT-is välja ühtegi senitundmatut strateegiat aatomite jahutamiseks – “üsna igav tulemus”, naljatab Volchkov –, muutis see katseaparaadi jõulisemaks. "Kui meie proovide võtmise ajaskaalas esineb häireid, peaks agent suutma sellele reageerida, kui ta on vastavalt koolitatud," ütleb ta. Ta lisab, et sellised automaatsed kohandused on üliolulised kaasaskantavate kvantseadmete loomisel, mida "ei saa lasta doktorantidel hoida neid 24-7".

Tööriist keerukate süsteemide jaoks

Volchkov arvab, et RL-il võib olla ka laiemaid rakendusi külma aatomi füüsikas. "Usun kindlalt, et tugevdusõpe võib anda uusi toimimisviise ja vastupidiseid intuitiivseid juhtimisjärjestusi, kui seda rakendatakse piisava vabadusastmega ülikülma kvantgaasi katsete juhtimiseks," räägib ta. Füüsika maailm. "See on eriti oluline keerukamate aatomiliikide ja molekulide puhul. Lõpuks võib nende uute juhtimisviiside analüüsimine valgustada eksootilisemate ülikülmade gaaside füüsikalisi põhimõtteid.

Kõige külmem: kuidas kiri Einsteinile ja edusammud laserjahutustehnoloogias viisid füüsikud uutesse aine kvantolekutesse

Milson on samamoodi entusiastlik tehnika potentsiaalist. "Kasutusjuhtumid on tõenäoliselt lõputud, hõlmates kõiki aatomifüüsika valdkondi, " ütleb ta. "Alates aatomite optilistesse pintsettidest laadimise optimeerimisest kuni kvantmälus protokollide kujundamiseni kvantteabe optimaalseks salvestamiseks ja hankimiseks, tundub masinõpe nende keeruliste, paljukehade stsenaariumide jaoks, mida leidub aatomi- ja kvantfüüsikas, väga hästi sobivat."

Alberta meeskonna töö avaldatakse aastal Masinõpe: teadus ja tehnoloogia. Tübingeni meeskonna töö ilmub an arXiv eeltrükk.

• This article was amended on 31 January 2024 to clarify Valentin Volchkov’s affiliations and details of the Tübingen experiment.

• SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
• PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
• PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
• PlatoESG. Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
• PlatoTervis. Biotehnoloogia ja kliiniliste uuringute luureandmed. Juurdepääs siia.
• Allikas: https://physicsworld.com/a/machine-learning-takes-hassle-out-of-cold-atom-experiments/