機械学習により冷原子実験の手間が省ける – Physics World

冷たい原子は、量子技術における多くの問題を解決します。量子コンピューターが欲しいですか?から作ることができます 超低温原子の配列。安全な通信ネットワークに量子中継器が必要ですか?冷たい原子 カバーしましたか。複雑な凝縮物質の問題を解決するための量子シミュレーターはどうでしょうか?はい、 冷たい原子 それもできます。

欠点は、これらのことを行うには次のことが必要なことです。 ノーベル賞約2回分 実験装置の様子。さらに悪いことに、実験室の温度の変化、漂遊磁場（冷たい原子もまた、 優れた量子磁力計）、ドアが閉まっただけでも、冷原子物理学を可能にする複雑なレーザー、光学機器、磁気コイル、電子機器の配列を不安定にする可能性があります。

この複雑さに対処するために、冷原子物理学者は機械学習を使用して実験を強化する方法を模索し始めています。たとえば、2018 年にオーストラリア国立大学のチームは、 原子を磁気光学トラップにロードするための機械に最適化されたルーチン (MOT) 冷原子実験の出発点となります。 2019年、日本の理化学研究所のグループは、機械学習を使用して、この原理を冷却プロセスの後期段階に適用しました。 原子を冷却する新しい効果的な方法を特定する 絶対零度よりわずかに高い温度まで上昇すると、ボース・アインシュタイン凝縮 (BEC) として知られる量子状態になります。

機械にやってもらいましょう

この傾向の最新の展開として、2 つの独立した物理学者チームが、強化学習として知られる機械学習の形式が、コールド原子システムの混乱への対処に役立つことを示しました。

「私たちの研究室では、BEC 生成システムがかなり不安定であることがわかり、妥当な品質の BEC を生成できるのは 1 日のうち数時間だけでした」と説明します。 ニック・ミルソン、カナダのアルバータ大学の博士課程の学生であり、 プロジェクトのXNUMXつ。このシステムを手作業で最適化することは困難であることが判明しました。「複雑で一般的に扱いにくい物理学に裏付けられた手順があり、当然ある程度の不完全性が生じる実験装置によってさらに複雑になります」とミルソン氏は言います。 「これが、多くのグループが機械学習の問題に取り組んできた理由であり、一貫した反応性のコントローラーを構築するという問題に取り組むために強化学習に目を向けた理由でもあります。」

強化学習 (RL) は、ラベル付きまたはラベルなしの入力データを取り込み、それを使用して出力を予測する他の機械学習戦略とは動作が異なります。代わりに、RL は望ましい結果を強化し、悪い結果を罰することでプロセスを最適化することを目指しています。

彼らの研究では、Milson らは、アクタークリティック ニューラル ネットワークと呼ばれる RL エージェントに、ルビジウム原子の BEC を作成するための装置内の 30 のパラメーターを調整できるようにしました。また、前回の BEC 作成サイクル中に検出された 30 の環境パラメータもエージェントに提供されました。 「俳優は、さまざまな環境の刺激に応じてどのように行動するかを考え出す意思決定者であると考える人もいるかもしれません」とミルソンは説明する。 「批評家は、俳優のアクションがどれだけうまく機能するかを見極めようとしている。その役割は基本的に、実行される可能性のあるアクションの「良さ」または「悪さ」を評価することで、俳優にフィードバックを提供することです。」

アルバータ州の物理学者らは、以前の実験実行のデータに基づいて RL エージェントをトレーニングした後、ルビジウム原子を磁気トラップに装填する際に、RL 誘導コントローラーが一貫して人間よりも優れた性能を発揮したことを発見しました。ミルソン氏によると、主な欠点はトレーニング データの収集に時間がかかることでした。 「蛍光ベースのイメージングのような非破壊イメージング技術を導入できれば、現在誰がシステムを使用しているか、またはどのような目的でシステムを使用しているかに関係なく、基本的にシステムが常にデータを収集できるようになります」と彼は言います。 物理学の世界.

少しずつ

別の研究では、物理学者らは、 バレンティン・ヴォルチコフ マックス・プランク知能システム研究所およびドイツのテュービンゲン大学でテュービンゲンの同僚とともに博士課程を修了 アンドレアス・ギュンター、別のアプローチをとりました。 RL エージェントをトレーニングして数十の実験パラメーターを最適化する代わりに、彼らは 2 つのみに焦点を当てました。MOT の磁場勾配と、MOT 内のルビジウム原子を冷却してトラップするために使用されるレーザー光の周波数です。

レーザー周波数の最適値は、一般に、生成される原子の数が最も多くなる値です。 N 最低温度で T。 しかし、これ 最適値が変わる 原子とレーザー光の間の相互作用により温度が低下します。したがって、テュービンゲン チームは、RL エージェントが 25 秒の MOT 負荷サイクル中に 1.5 の連続タイム ステップでパラメータを調整できるようにし、望ましい値にできるだけ近づけたことに対して「報酬」を与えました。 N / T 最後に、蛍光イメージングによって測定されます。

RL エージェントは、MOT で原子を冷却するためのこれまで知られていなかった戦略を思いつきませんでしたが、「非常に退屈な結果です」とヴォルチコフ氏は冗談を言いますが、実験装置をより堅牢にすることはできました。 「サンプリングの時間スケールで何らかの摂動があったとしても、エージェントがそれに応じてトレーニングされていれば、それに反応できるはずです」と彼は言います。このような自動調整は、「博士課程の学生が24時間年中無休で世話をすることができない」ポータブル量子デバイスを作成するために不可欠であると彼は付け加えた。

複雑なシステムのためのツール

Volchkov 氏は、RL は冷原子物理学においても幅広い応用が可能であると考えています。 「強化学習は、十分な自由度を持つ極低温量子気体実験の制御に適用すると、新しい操作モードや直感に反する制御シーケンスを生み出す可能性があると確信しています」と彼は語ります。 物理学の世界。 「これは、より複雑な原子種や分子に特に関係します。最終的には、これらの新しい制御モードを分析することで、より珍しい超低温ガスを支配する物理的原理が解明される可能性があります。」

最も冷たい: アインシュタインへの手紙とレーザー冷却技術の進歩がどのようにして物理学者を物質の新しい量子状態に導いたのか

ミルソン氏も同様に、この技術の可能性に熱心に取り組んでいます。 「ユースケースはおそらく無限にあり、原子物理学のあらゆる分野に及びます」と彼は言います。 「光ピンセットへの原子のロードの最適化から、量子情報の最適な保存と取得のための量子メモリ内のプロトコルの設計に至るまで、機械学習は、原子物理学や量子物理学で見られる複雑な多体のシナリオに非常に適しているようです。」

アルバータ州チームの成果は、 機械学習：科学と技術. テュービンゲンチームの研究は、 arXivの プレプリント.

• この記事は、ヴァレンティン・ヴォルチコフの所属とテュービンゲン実験の詳細を明確にするために、31年2024月XNUMX日に修正された。

• SEO を活用したコンテンツと PR 配信。 今日増幅されます。
• PlatoData.Network 垂直生成 Ai。 自分自身に力を与えましょう。 こちらからアクセスしてください。
• プラトアイストリーム。 Web3 インテリジェンス。 知識増幅。 こちらからアクセスしてください。
• プラトンESG。 カーボン、 クリーンテック、 エネルギー、 環境、 太陽、 廃棄物管理。 こちらからアクセスしてください。
• プラトンヘルス。 バイオテクノロジーと臨床試験のインテリジェンス。 こちらからアクセスしてください。
• 情報源： https://physicsworld.com/a/machine-learning-takes-hassle-out-of-cold-atom-experiments/