Machine learning maakt experimenten met koude atomen eenvoudiger – Physics World

Koude atomen lossen veel problemen in de kwantumtechnologie op. Wil je een kwantumcomputer? Je kunt er een maken van een reeks ultrakoude atomen. Heb je een quantum repeater nodig voor een beveiligd communicatienetwerk? Koude atomen heb je gedekt. Wat dacht je van een kwantumsimulator voor ingewikkelde problemen met de gecondenseerde materie? Ja, koude atomen kan dat ook.

Het nadeel is dat het doen van een van deze dingen vereist ongeveer twee Nobelprijzen waard van experimentele apparatuur. Erger nog, de kleinste bronnen van verstoring – een verandering in de laboratoriumtemperatuur, een verdwaald magnetisch veld (koude atomen maken ook uitstekende kwantummagnetometers), zelfs een dichtgeslagen deur – kan de ingewikkelde reeksen lasers, optica, magnetische spoelen en elektronica die de fysica van koude atomen mogelijk maken, ontregelen.

Om met deze complexiteit om te gaan, zijn natuurkundigen van koude atomen begonnen met het onderzoeken van manieren om machinaal leren te gebruiken om hun experimenten uit te breiden. In 2018 ontwikkelde een team van de Australian National University bijvoorbeeld een machine-geoptimaliseerde routine voor het laden van atomen in de magneto-optische vallen (MOT’s) die het startpunt vormen voor experimenten met koude atomen. In 2019 paste een groep bij RIKEN in Japan dit principe toe op een later stadium van het koelproces, waarbij machine learning werd gebruikt om nieuwe en effectieve manieren identificeren om atomen af ​​te koelen tot temperaturen een fractie van een graad boven het absolute nulpunt, waar ze een kwantumtoestand binnengaan die bekend staat als een Bose-Einstein-condensaat (BEC).

Laat de machine het doen

In de nieuwste ontwikkeling in deze trend hebben twee onafhankelijke teams van natuurkundigen aangetoond dat een vorm van machinaal leren, bekend als versterkend leren, koude-atoomsystemen kan helpen met verstoringen om te gaan.

"In ons laboratorium ontdekten we dat ons BEC-productiesysteem tamelijk onstabiel was, zodat we slechts een paar uur per dag BEC's van redelijke kwaliteit konden produceren", legt hij uit. Nick Milson, een promovendus aan de Universiteit van Alberta, Canada die leiding gaf een van de projecten. Het handmatig optimaliseren van dit systeem bleek een uitdaging: “Je hebt een procedure die wordt ondersteund door ingewikkelde en over het algemeen hardnekkige natuurkunde, en dit wordt nog verergerd door een experimenteel apparaat dat uiteraard een zekere mate van imperfectie zal hebben”, zegt Milson. “Dit is de reden waarom veel groepen het probleem met machinaal leren hebben aangepakt, en waarom we ons tot versterkend leren wenden om het probleem van het bouwen van een consistente en reactieve controller aan te pakken.”

Reinforcement Learning (RL) werkt anders dan andere machine learning-strategieën die gelabelde of ongelabelde invoergegevens opnemen en gebruiken om de output te voorspellen. In plaats daarvan streeft RL ernaar een proces te optimaliseren door gewenste resultaten te versterken en slechte resultaten te bestraffen.

In hun onderzoek lieten Milson en collega's een RL-agent, een actor-critisch neuraal netwerk genaamd, toe om 30 parameters in hun apparaat aan te passen voor het creëren van BEC's van rubidiumatomen. Ze voorzagen de agent ook van 30 omgevingsparameters die waren gedetecteerd tijdens de vorige BEC-creatiecyclus. “Je zou de acteur kunnen zien als de beslisser, die probeert uit te vinden hoe hij moet handelen als reactie op verschillende omgevingsstimuli”, legt Milson uit. “De criticus probeert erachter te komen hoe goed de acties van de acteur zullen presteren. Het is in wezen zijn taak om feedback te geven aan de acteur door de ‘goedheid’ of ‘slechtheid’ van mogelijke ondernomen acties te beoordelen.”

Nadat ze hun RL-agent hadden getraind op basis van gegevens uit eerdere experimentele runs, ontdekten de natuurkundigen uit Alberta dat de RL-geleide controller consequent beter presteerde dan mensen bij het laden van rubidiumatomen in een magnetische val. Het belangrijkste nadeel, zegt Milson, was de tijd die nodig was om trainingsgegevens te verzamelen. “Als we een niet-destructieve beeldvormingstechniek zouden kunnen introduceren, zoals op fluorescentie gebaseerde beeldvorming, zouden we ervoor kunnen zorgen dat het systeem voortdurend gegevens verzamelt, ongeacht wie het systeem momenteel gebruikt of met welk doel,” vertelt hij. Natuurkunde wereld.

Stap voor stap

In een apart werk werden natuurkundigen geleid door Valentin Voltsjkov van het Max Planck Instituut voor Intelligente Systemen en de Universiteit van Tübingen, Duitsland, samen met zijn collega uit Tübingen Andreas Gunther, koos voor een andere aanpak. In plaats van hun RL-agent te trainen om tientallen experimentele parameters te optimaliseren, concentreerden ze zich op slechts twee: de magnetische veldgradiënt van de MOT, en de frequentie van het laserlicht dat wordt gebruikt om rubidiumatomen daarin af te koelen en op te sluiten.

De optimale waarde van de laserfrequentie is doorgaans de waarde die het grootste aantal atomen produceert N op de laagste temperatuur T. Dit echter optimale waardeveranderingen naarmate de temperatuur daalt als gevolg van interacties tussen de atomen en het laserlicht. Het team uit Tübingen stond hun RL-agent daarom toe om parameters aan te passen in 25 opeenvolgende tijdstappen tijdens een 1.5 seconde durende APK-laadcyclus, en ‘beloonde’ hem voor het zo dicht mogelijk benaderen van de gewenste waarde van N / T aan het einde, zoals gemeten met fluorescentiebeeldvorming.

Hoewel de RL-agent geen voorheen onbekende strategieën bedacht voor het koelen van atomen in de MOT – “een behoorlijk saai resultaat”, grapt Volchkov – maakte het het experimentele apparaat wel robuuster. "Als er enige verstoring is op de tijdschaal van onze bemonstering, zou de agent daarop moeten kunnen reageren als hij dienovereenkomstig is getraind", zegt hij. Dergelijke automatische aanpassingen, zo voegt hij eraan toe, zullen van cruciaal belang zijn voor het creëren van draagbare kwantumapparaten die “niet door promovendi 24 uur per dag, 7 dagen per week kunnen worden verzorgd”.

Een hulpmiddel voor complexe systemen

Volchkov denkt dat RL ook bredere toepassingen zou kunnen hebben in de fysica van koude atomen. “Ik ben er vast van overtuigd dat versterkend leren het potentieel heeft om nieuwe werkwijzen en contra-intuïtieve controlereeksen op te leveren wanneer het wordt toegepast op de controle van ultrakoude kwantumgasexperimenten met voldoende vrijheidsgraden”, vertelt hij. Natuurkunde wereld. “Dit is vooral relevant voor complexere atoomsoorten en moleculen. Uiteindelijk zou het analyseren van deze nieuwe controlemethoden licht kunnen werpen op de fysische principes die ten grondslag liggen aan meer exotische ultrakoude gassen.”

Koudste: hoe een brief aan Einstein en de vooruitgang in laserkoelingstechnologie natuurkundigen naar nieuwe kwantumtoestanden van materie leidden

Milson is eveneens enthousiast over het potentieel van de techniek. "De gebruiksscenario's zijn waarschijnlijk eindeloos en bestrijken alle gebieden van de atoomfysica", zegt hij. “Van de optimalisatie van het laden van atomen in een optisch pincet tot het ontwerpen van protocollen in het kwantumgeheugen voor optimale opslag en ophalen van kwantuminformatie: machinaal leren lijkt zeer geschikt voor deze ingewikkelde scenario’s met meerdere lichamen die voorkomen in de atomaire en kwantumfysica.”

Het werk van het Alberta-team is gepubliceerd in Machine learning: wetenschap en technologie. Het werk van het Tübingen-team verschijnt in een arXiv preprint.

• Dit artikel is op 31 januari 2024 gewijzigd om de banden van Valentin Volchkov en de details van het Tübingen-experiment te verduidelijken.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://physicsworld.com/a/machine-learning-takes-hassle-out-of-cold-atom-experiments/