A gépi tanulás gond nélkül megoldja a hidegatomos kísérleteket – Fizika világa

A hideg atomok sok problémát megoldanak a kvantumtechnológiában. Kvantumszámítógépet szeretnél? Készíthetsz egyet egy ultrahideg atomok tömbje. Kvantumismétlőre van szüksége egy biztonságos kommunikációs hálózathoz? Hideg atomok fedezted-e. Mit szólnál egy kvantumszimulátorhoz bonyolult sűrített anyag problémákhoz? Igen, hideg atomok ezt is megteheti.

A hátránya az, hogy ezeknek a dolgoknak a végrehajtása megköveteli körülbelül két Nobel-díj értékű kísérleti berendezés. Ami még rosszabb, a zavar legapróbb forrásai – a laboratóriumi hőmérséklet változása, a kósza mágneses tér (a hideg atomok is kiváló kvantummagnetométerek), akár egy becsapott ajtó is – felboríthatja a lézerek, optikák, mágnestekercsek és elektronika bonyolult tömbjeit, amelyek lehetővé teszik a hideg atomfizikát.

Ennek a bonyolultságnak a megbirkózása érdekében a hidegatom-fizikusok elkezdték feltárni a gépi tanulás felhasználásának módjait kísérleteik kibővítésére. 2018-ban például az Australian National University csapata kifejlesztett egy gépre optimalizált rutin az atomok magneto-optikai csapdákba való betöltésére (MOT-ok), amelyek a hidegatomos kísérletek kiindulópontját jelentik. 2019-ben a japán RIKEN egyik csoportja ezt az elvet alkalmazta a hűtési folyamat egy későbbi szakaszában, gépi tanulással azonosítani az atomok hűtésének új és hatékony módjait fok töredékével az abszolút nulla feletti hőmérsékletre, ahol Bose-Einstein kondenzátumként (BEC) ismert kvantumállapotba kerülnek.

Hagyja, hogy a gép csinálja

Ennek az irányzatnak a legújabb fejlesztése során két független fizikuscsoport kimutatta, hogy a gépi tanulás egyik formája, amelyet megerősítő tanulásként ismernek, segíthet a hidegatomos rendszereknek a zavarok kezelésében.

„Laboratóriumunkban azt találtuk, hogy a BEC-előállító rendszerünk meglehetősen instabil volt, így a nap folyamán csak néhány órára tudtunk megfelelő minőségű BEC-ket előállítani” – magyarázza. Nick Milson, a kanadai Albertai Egyetem PhD hallgatója, aki vezette az egyik projekt. Ennek a rendszernek a kézi optimalizálása kihívásnak bizonyult: „Ön egy bonyolult és általában nehezen kezelhető fizika alapját képező eljárás, és ezt tetézi egy kísérleti berendezés, amely természetesen bizonyos fokú tökéletlenséggel fog rendelkezni” – mondja Milson. „Ez az oka annak, hogy sok csoport a gépi tanulással kezelte a problémát, és ezért fordulunk a megerősítő tanuláshoz, hogy kezeljük a konzisztens és reaktív vezérlő felépítésének problémáját.”

A megerősítő tanulás (RL) másként működik, mint az egyéb gépi tanulási stratégiák, amelyek címkézett vagy címkézetlen bemeneti adatokat vesznek fel, és azokat a kimenetek előrejelzésére használják. Ehelyett az RL arra törekszik, hogy optimalizálja a folyamatot azáltal, hogy megerősíti a kívánatos eredményeket és megbünteti a rosszakat.

Tanulmányukban Milson és munkatársai lehetővé tették az RL-ügynöknek, az úgynevezett színészkritikus neurális hálózatnak, hogy 30 paramétert állítson be a készülékében a rubídium atomok BEC-jének létrehozásához. Az előző BEC-létrehozási ciklus során érzékelt 30 környezeti paraméterrel is ellátták a szert. „Az ember úgy gondolhatja, hogy a színész a döntéshozó, aki megpróbálja kitalálni, hogyan viselkedjen a különböző környezeti ingerekre reagálva” – magyarázza Milson. „A kritikus megpróbálja kitalálni, hogy a színész cselekedetei mennyire fognak jól teljesíteni. Feladata alapvetően az, hogy visszajelzést adjon a szereplőnek azáltal, hogy felméri a lehetséges cselekvések „jóságát” vagy „rosszságát”.

Miután az RL-ágensüket a korábbi kísérleti futtatások adataira betanították, az albertai fizikusok azt találták, hogy az RL-vezérelt vezérlő következetesen felülmúlta az embereket a rubídium atomok mágneses csapdába való betöltésében. A fő hátrány Milson szerint az edzésadatok gyűjtéséhez szükséges idő volt. "Ha be tudnánk vezetni egy roncsolásmentes képalkotó technikát, például a fluoreszcencia alapú képalkotást, akkor lényegében a rendszer folyamatosan adatokat gyűjthetne, függetlenül attól, hogy éppen ki használja a rendszert és milyen célból" - mondja. Fizika Világa.

Lépésről lépésre

Egy külön műben a fizikusok vezették Valentin Volcskov a Max Planck Intelligens Rendszerek Intézete és a Tübingeni Egyetem (Németország) munkatársa tübingeni kollégájával együtt Andreas Günther, más megközelítést alkalmazott. Ahelyett, hogy több tucat kísérleti paraméter optimalizálására betanították volna az RL-ágensüket, csupán kettőre összpontosítottak: a MOT mágneses tér gradiensére és a rubídium atomok hűtésére és befogására használt lézerfény frekvenciájára.

A lézerfrekvencia optimális értéke általában az, amelyik a legtöbb atomot termeli N a legalacsonyabb hőmérsékleten T. Ez azonban optimális értékváltozások ahogy a hőmérséklet csökken az atomok és a lézerfény közötti kölcsönhatások miatt. A tübingeni csapat ezért lehetővé tette RL ügynökének, hogy 25 egymást követő időlépésben állítsa be a paramétereket egy 1.5 másodperces MOT betöltési ciklus során, és „jutalmazza” azért, mert a lehető legközelebb került a kívánt értékhez. N/T végén, fluoreszcens képalkotással mérve.

Míg az RL-ügynök nem talált ki korábban ismeretlen stratégiát az atomok hűtésére a MOT-ban – „elég unalmas eredmény”, viccelődik Volchkov –, mégis robusztusabbá tette a kísérleti berendezést. „Ha van némi zavar a mintavételünk időskálájában, akkor az ügynöknek képesnek kell lennie arra, hogy reagáljon rá, ha megfelelően képzett” – mondja. Hozzáteszi, hogy az ilyen automatikus beállítások létfontosságúak lesznek a hordozható kvantumeszközök létrehozásához, amelyeket „a PhD-hallgatók nem ápolhatnak 24-7”.

Eszköz összetett rendszerekhez

Volchkov úgy véli, hogy az RL-nek szélesebb körű alkalmazásai is lehetnek a hidegatom fizikában. "Szilárd meggyőződésem, hogy a megerősítő tanulás új működési módokat és intuitív vezérlési szekvenciákat eredményezhet, ha az ultrahideg kvantumgáz-kísérletek kellő szabadságfokkal történő vezérlésére alkalmazzák" - mondja. Fizika Világa. „Ez különösen fontos az összetettebb atomfajták és molekulák esetében. Végül az új szabályozási módok elemzése fényt deríthet az egzotikusabb ultrahideg gázok fizikai alapelveire.”

Leghidegebb: egy Einsteinnek írt levél és a lézeres hűtési technológia fejlődése hogyan vezette a fizikusokat az anyag új kvantumállapotaihoz

Milson is lelkesedik a technikában rejlő lehetőségekért. „A felhasználási esetek valószínűleg végtelenek, és az atomfizika minden területére kiterjednek” – mondja. "Az atomok optikai csipeszekbe való betöltésének optimalizálásától a kvantummemóriában a kvantuminformációk optimális tárolására és visszanyerésére szolgáló protokollok tervezéséig a gépi tanulás nagyon jól illeszkedik ezekhez az atom- és kvantumfizikában megtalálható bonyolult, soktestű forgatókönyvekhez."

Az Alberta csapat munkáját ben tették közzé Gépi tanulás: Tudomány és technológia. A tübingeni csapat munkája megjelenik egy arXiv előnyomtatás.

• Ezt a cikket 31. január 2024-én módosították Valentin Volchkov hovatartozásának és a tübingeni kísérlet részleteinek tisztázása érdekében.

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
• Forrás: https://physicsworld.com/a/machine-learning-takes-hassle-out-of-cold-atom-experiments/