یادگیری ماشین دردسر را از آزمایش‌های اتم سرد دور می‌کند - دنیای فیزیک

اتم های سرد بسیاری از مشکلات را در فناوری کوانتومی حل می کنند. کامپیوتر کوانتومی می خواهید؟ شما می توانید یکی از یک آرایه ای از اتم های فوق سرد. برای یک شبکه ارتباطی امن به یک تکرار کننده کوانتومی نیاز دارید؟ اتم های سرد آیا شما تحت پوشش. یک شبیه ساز کوانتومی برای مسائل پیچیده ماده متراکم چطور؟ بله، اتم های سرد می تواند این کار را نیز انجام دهد.

نکته منفی این است که انجام هر یک از این کارها نیاز دارد ارزش تقریبی دو جایزه نوبل از دستگاه های آزمایشی بدتر از آن، کوچکترین منابع ناراحتی - تغییر در دمای آزمایشگاه، یک میدان مغناطیسی سرگردان (اتم های سرد نیز باعث ایجاد مغناطیس‌سنج‌های کوانتومی عالی) حتی یک درب به هم خورده - می تواند آرایه های پیچیده لیزر، اپتیک، سیم پیچ های مغناطیسی و وسایل الکترونیکی را که فیزیک اتم سرد را ممکن می کند، ناآرام کند.

برای کنار آمدن با این پیچیدگی، فیزیکدانان اتم سرد شروع به کاوش در راه های استفاده از یادگیری ماشینی برای تقویت آزمایش های خود کرده اند. برای مثال، در سال 2018، تیمی در دانشگاه ملی استرالیا یک روال بهینه شده برای بارگذاری اتم ها در تله های مغناطیسی نوری (MOT) که نقطه شروع آزمایشات اتم سرد را تشکیل می دهند. در سال 2019، گروهی در RIKEN در ژاپن این اصل را در مراحل بعدی فرآیند خنک‌سازی با استفاده از یادگیری ماشینی به کار بردند. شناسایی راه های جدید و موثر برای خنک کردن اتم ها به دمای کسری از درجه بالاتر از صفر مطلق، جایی که آنها وارد یک حالت کوانتومی می شوند که به عنوان میعانات بوز-اینشتین (BEC) شناخته می شود.

اجازه دهید دستگاه این کار را انجام دهد

در جدیدترین پیشرفت در این روند، دو تیم مستقل از فیزیکدانان نشان داده‌اند که نوعی از یادگیری ماشینی به نام یادگیری تقویتی می‌تواند به سیستم‌های اتم سرد کمک کند تا اختلالات را مدیریت کنند.

توضیح می‌دهد: «در آزمایشگاه خود متوجه شدیم که سیستم تولیدکننده BEC ما نسبتاً ناپایدار است، به طوری که ما فقط برای چند ساعت از روز توانایی تولید BEC با کیفیت معقول را داشتیم.» نیک میلسون، دانشجوی دکترا در دانشگاه آلبرتا، کانادا که رهبری کرد یکی از پروژه ها. بهینه‌سازی این سیستم با دست چالش‌برانگیز بود: میلسون می‌گوید: «شما رویه‌ای دارید که زیربنای فیزیک پیچیده و به طور کلی غیرقابل حل است، و این با یک دستگاه آزمایشی ترکیب می‌شود که طبیعتاً درجاتی از نقص خواهد داشت». به همین دلیل است که بسیاری از گروه‌ها با مشکل یادگیری ماشین مقابله کرده‌اند، و چرا ما به یادگیری تقویتی روی می‌آوریم تا مشکل ایجاد یک کنترل‌کننده سازگار و واکنش‌گرا را حل کنیم.

یادگیری تقویتی (RL) متفاوت از سایر استراتژی‌های یادگیری ماشینی است که داده‌های ورودی برچسب‌دار یا بدون برچسب را دریافت می‌کنند و از آن برای پیش‌بینی خروجی‌ها استفاده می‌کنند. در عوض، هدف RL بهینه سازی یک فرآیند با تقویت نتایج مطلوب و مجازات افراد ضعیف است.

در مطالعه خود، میلسون و همکارانش به یک عامل RL به نام شبکه عصبی بازیگر منتقد اجازه دادند تا 30 پارامتر را در دستگاه خود برای ایجاد BEC های اتم های روبیدیم تنظیم کند. آنها همچنین عامل را با 30 پارامتر محیطی که در طول چرخه ایجاد BEC قبلی حس شده بود، عرضه کردند. میلسون توضیح می دهد: "کسی ممکن است بازیگر را به عنوان تصمیم گیرنده در نظر بگیرد که سعی می کند بفهمد چگونه در پاسخ به محرک های محیطی مختلف عمل کند." «منتقد سعی می کند بفهمد که اقدامات بازیگر چقدر خوب اجرا می شود. وظیفه آن اساساً ارائه بازخورد به بازیگر با ارزیابی «خوبی» یا «بد بودن» اقدامات بالقوه انجام شده است.

فیزیکدانان آلبرتا پس از آموزش عامل RL خود بر روی داده‌های آزمایش‌های قبلی، دریافتند که کنترل‌کننده هدایت‌شونده RL در بارگذاری اتم‌های روبیدیم در یک تله مغناطیسی به طور مداوم از انسان بهتر عمل می‌کند. میلسون می‌گوید ایراد اصلی، زمان مورد نیاز برای جمع‌آوری داده‌های آموزشی بود. او می‌گوید: «اگر بتوانیم یک تکنیک تصویربرداری غیرمخرب مانند تصویربرداری مبتنی بر فلورسانس را معرفی کنیم، اساساً می‌توانیم سیستم را در تمام مدت جمع‌آوری داده‌ها، بدون توجه به اینکه چه کسی در حال حاضر از سیستم استفاده می‌کند یا برای چه هدفی استفاده می‌کند، داشته باشیم. دنیای فیزیک.

گام به گام

در یک کار جداگانه، فیزیکدانان به رهبری والنتین ولچکوف موسسه ماکس پلانک برای سیستم های هوشمند و دانشگاه توبینگن آلمان به همراه همکار توبینگن آندریاس گونتر، رویکرد متفاوتی در پیش گرفت. آنها به جای آموزش عامل RL خود برای بهینه سازی ده ها پارامتر تجربی، تنها بر دو مورد تمرکز کردند: گرادیان میدان مغناطیسی MOT، و فرکانس نور لیزر که برای خنک کردن و به دام انداختن اتم های روبیدیم در آن استفاده می شود.

مقدار بهینه فرکانس لیزر معمولاً مقداری است که بیشترین تعداد اتم را تولید می کند N در کمترین دما T. با این حال، این تغییرات مقدار بهینه با کاهش دما به دلیل فعل و انفعالات بین اتم ها و نور لیزر. بنابراین تیم توبینگن به عامل RL خود اجازه داد تا پارامترها را در 25 مرحله زمانی متوالی در طول یک چرخه بارگذاری 1.5 ثانیه ای MOT تنظیم کند و به آن برای نزدیک شدن هرچه بیشتر به مقدار مورد نظر "پاداش" داد. N/T در پایان، همانطور که توسط تصویربرداری فلورسانس اندازه گیری شد.

در حالی که عامل RL هیچ استراتژی ناشناخته ای را برای خنک کردن اتم ها در MOT ارائه نکرد - "نتیجه ای کاملا خسته کننده"، Volchkov به شوخی می گوید - این دستگاه آزمایشی را قوی تر کرد. او می‌گوید: «اگر اختلالی در مقیاس زمانی نمونه‌گیری ما وجود داشته باشد، در صورتی که عامل آموزش متناسب با آن باشد، باید بتواند به آن واکنش نشان دهد. او اضافه می‌کند که چنین تنظیمات خودکاری برای ایجاد دستگاه‌های کوانتومی قابل حملی که «نمی‌توانند دانشجویان دکترا 24 تا 7 ساعت به آنها رسیدگی کنند، حیاتی خواهد بود».

ابزاری برای سیستم های پیچیده

ولچکوف فکر می کند که RL همچنین می تواند کاربردهای گسترده تری در فیزیک اتم سرد داشته باشد. او می‌گوید: «من قویاً معتقدم که یادگیری تقویتی وقتی برای کنترل آزمایش‌های گاز کوانتومی فوق‌سرد با درجات آزادی کافی اعمال می‌شود، پتانسیل ایجاد حالت‌های جدید عملیات و توالی‌های کنترل غیرشهودی را دارد. دنیای فیزیک. این امر به ویژه برای گونه ها و مولکول های پیچیده اتمی مرتبط است. در نهایت، تجزیه و تحلیل این حالت‌های جدید کنترل ممکن است اصول فیزیکی حاکم بر گازهای فوق‌سرد عجیب‌تر را روشن کند.

سردترین: چگونه نامه ای به انیشتین و پیشرفت در فناوری خنک کننده لیزری فیزیکدانان را به حالت های کوانتومی جدیدی از ماده سوق داد.

میلسون نیز به همین ترتیب مشتاق پتانسیل این تکنیک است. او می‌گوید: «مورد استفاده احتمالاً بی‌پایان است و همه حوزه‌های فیزیک اتمی را در بر می‌گیرد. از بهینه‌سازی بارگذاری اتم‌ها در موچین‌های نوری گرفته تا طراحی پروتکل‌هایی در حافظه کوانتومی برای ذخیره‌سازی و بازیابی بهینه اطلاعات کوانتومی، یادگیری ماشین برای این سناریوهای پیچیده و بدنه‌ای که در فیزیک اتمی و کوانتومی یافت می‌شوند بسیار مناسب به نظر می‌رسد.

کار تیم آلبرتا در منتشر شده است یادگیری ماشینی: علم و فناوری. کار تیم توبینگن در یک ظاهر می شود مانند: arXiv پیش چاپ.

• این مقاله در 31 ژانویه 2024 اصلاح شد تا وابستگی‌های والنتین ولچکوف و جزئیات آزمایش توبینگن را روشن کند.

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• منبع: https://physicsworld.com/a/machine-learning-takes-hassle-out-of-cold-atom-experiments/