Maskinlæring tar problemer med eksperimenter med kalde atomer – Physics World

Kalde atomer løser mange problemer innen kvanteteknologi. Vil du ha en kvantedatamaskin? Du kan lage en fra en rekke ultrakalde atomer. Trenger du en kvanterepeater for et sikkert kommunikasjonsnettverk? Kalde atomer har du dekket. Hva med en kvantesimulator for kompliserte problemer med kondensert materie? Jepp, kalde atomer kan gjøre det også.

Ulempen er at å gjøre noen av disse tingene krever verdt omtrent to nobelpriser av eksperimentelle apparater. Enda verre, de minste kildene til opprørt – en endring i laboratorietemperaturen, et forvillet magnetfelt (kalde atomer gjør også utmerkede kvantemagnetometre), selv en dør som smeller – kan forvirre de kompliserte seriene av lasere, optikk, magnetiske spoler og elektronikk som gjør kaldatomfysikk mulig.

For å takle denne kompleksiteten har kaldatom-fysikere begynt å utforske måter å bruke maskinlæring for å utvide eksperimentene sine. I 2018 utviklet for eksempel et team ved Australian National University en maskinoptimalisert rutine for å laste atomer inn i de magneto-optiske fellene (MOT) som danner utgangspunktet for eksperimenter med kalde atomer. I 2019 brukte en gruppe ved RIKEN i Japan dette prinsippet på et senere stadium av kjøleprosessen, ved å bruke maskinlæring for å identifisere nye og effektive måter å avkjøle atomer på til temperaturer en brøkdel av en grad over absolutt null, hvor de går inn i en kvantetilstand kjent som et Bose-Einstein-kondensat (BEC).

La maskinen gjøre det

I den siste utviklingen i denne trenden har to uavhengige team av fysikere vist at en form for maskinlæring kjent som forsterkningslæring kan hjelpe kalde atomsystemer med å håndtere forstyrrelser.

"I laboratoriet vårt fant vi ut at vårt BEC-produserende system var ganske ustabilt, slik at vi bare hadde muligheten til å produsere BEC-er av rimelig kvalitet noen få timer om dagen," forklarer Nick Milson, en doktorgradsstudent ved University of Alberta, Canada som ledet et av prosjektene. Å optimalisere dette systemet for hånd viste seg å være utfordrende: "Du har en prosedyre underbygget av komplisert og generelt vanskelig fysikk, og dette er sammensatt av et eksperimentelt apparat som naturlig kommer til å ha en viss grad av ufullkommenhet," sier Milson. "Dette er grunnen til at mange grupper har taklet problemet med maskinlæring, og hvorfor vi henvender oss til forsterkningslæring for å takle problemet med å bygge en konsistent og reaktiv kontroller."

Forsterkningslæring (RL) fungerer annerledes enn andre maskinlæringsstrategier som tar inn merkede eller umerkede inngangsdata og bruker dem til å forutsi utdata. I stedet har RL som mål å optimalisere en prosess ved å forsterke ønskelige utfall og straffe dårlige.

I studien deres tillot Milson og kollegene en RL-agent kalt et skuespillerkritisk nevralt nettverk å justere 30 parametere i apparatet deres for å lage BEC-er av rubidiumatomer. De forsynte også agenten med 30 miljøparametere som ble registrert under forrige BEC-opprettingssyklus. "Man kan tenke på skuespilleren som beslutningstaker, som prøver å finne ut hvordan man skal handle som svar på ulike miljøstimuli," forklarer Milson. "Kritikeren prøver å finne ut hvor godt handlingene til skuespilleren kommer til å utføre. Dens jobb er i hovedsak å gi tilbakemelding til skuespilleren ved å vurdere "godheten" eller "dårligheten" til potensielle handlinger som er utført."

Etter å ha trent RL-agenten deres på data fra tidligere eksperimentelle kjøringer, fant Alberta-fysikerne ut at den RL-styrte kontrolleren konsekvent overgikk mennesker ved å laste rubidiumatomer inn i en magnetisk felle. Den største ulempen, sier Milson, var tiden det tok å samle inn treningsdata. "Hvis vi kunne introdusere en ikke-destruktiv bildebehandlingsteknikk som fluorescensbasert bildebehandling, kunne vi i hovedsak ha systemet til å samle inn data hele tiden, uansett hvem som for øyeblikket brukte systemet, eller til hvilket formål," forteller han Fysikkens verden.

Steg for steg

I et eget verk har fysikere ledet av Valentin Volchkov ved Max Planck Institute for Intelligent Systems og University of Tübingen, Tyskland, sammen med sin Tübingen-kollega Andreas Günther, tok en annen tilnærming. I stedet for å trene opp RL-agenten deres til å optimalisere dusinvis av eksperimentelle parametere, fokuserte de på bare to: magnetfeltgradienten til MOT, og frekvensen til laserlyset som brukes til å avkjøle og fange rubidiumatomer i den.

Den optimale verdien av laserfrekvensen er vanligvis en som produserer det største antallet atomer N ved laveste temperatur T. Men dette optimale verdiendringer da temperaturen synker på grunn av interaksjoner mellom atomene og laserlyset. Tübingen-teamet tillot derfor RL-agenten deres å justere parametere ved 25 sekvensielle tidstrinn i løpet av en 1.5 sekunder lang MOT-lastesyklus, og "belønnet" den for å komme så nært som mulig til ønsket verdi på N/T på slutten, målt ved fluorescensavbildning.

Mens RL-agenten ikke kom opp med noen tidligere ukjente strategier for å kjøle atomer i MOT - "et ganske kjedelig resultat", spøker Volchkov - gjorde det eksperimentelle apparatet mer robust. "Hvis det er noen forstyrrelser på tidsskalaen for prøvetakingen vår, bør agenten være i stand til å reagere på det hvis den er trent deretter," sier han. Slike automatiske justeringer, legger han til, vil være avgjørende for å lage bærbare kvanteenheter som "ikke kan ha doktorgradsstudenter til å passe dem 24-7".

Et verktøy for komplekse systemer

Volchkov mener RL også kan ha bredere anvendelser innen kaldatomfysikk. "Jeg er overbevist om at forsterkende læring har potensialet til å gi nye operasjonsmåter og kontraintuitive kontrollsekvenser når de brukes på kontroll av ultrakalde kvantegasseksperimenter med tilstrekkelige grader av frihet," forteller han Fysikkens verden. "Dette er spesielt relevant for mer komplekse atomarter og molekyler. Til slutt kan det å analysere disse nye kontrollmodusene kaste lys over fysiske prinsipper som styrer mer eksotiske ultrakalde gasser."

Kaldeste: hvordan et brev til Einstein og fremskritt innen laserkjølingsteknologi førte fysikere til nye kvantetilstander av materie

Milson er på samme måte entusiastisk over teknikkens potensiale. "Brukssakene er sannsynligvis uendelige og spenner over alle områder av atomfysikk," sier han. "Fra optimalisering av lasting av atomer til optisk pinsett, til å designe protokoller i kvanteminne for optimal lagring og gjenfinning av kvanteinformasjon, virker maskinlæring veldig godt egnet for disse kompliserte scenariene med mange kropper som finnes i atom- og kvantefysikk."

Alberta-teamets arbeid er publisert i Maskinlæring: Vitenskap og teknologi. Tübingen-teamets arbeid vises i en arXiv preprint.

• Denne artikkelen ble endret 31. januar 2024 for å klargjøre Valentin Volchkovs tilknytninger og detaljer om Tübingen-eksperimentet.

• SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
• PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
• PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
• PlatoESG. Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
• PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang her.
• kilde: https://physicsworld.com/a/machine-learning-takes-hassle-out-of-cold-atom-experiments/