Maskininlärning tar krångel av experiment med kalla atomer – Physics World

Kalla atomer löser många problem inom kvantteknologin. Vill du ha en kvantdator? Du kan göra en av en en rad ultrakalla atomer. Behöver du en kvantrepeater för ett säkert kommunikationsnätverk? Kalla atomer har du täckt. Vad sägs om en kvantsimulator för komplicerade problem med kondenserad materia? Japp, kalla atomer kan göra det också.

Nackdelen är att göra någon av dessa saker kräver cirka två Nobelpriser av experimentella apparater. Ännu värre, de minsta källorna till upprördhet – en förändring i laboratorietemperaturen, ett strömagnetiskt fält (kalla atomer gör också utmärkta kvantmagnetometrar), även en dörr som smälls – kan störa de komplicerade uppsättningarna av lasrar, optik, magnetspolar och elektronik som gör fysik med kall atom möjlig.

För att klara av denna komplexitet har kalla-atom-fysiker börjat utforska sätt att använda maskininlärning för att utöka sina experiment. Under 2018 utvecklade till exempel ett team vid Australian National University en maskinoptimerad rutin för att ladda atomer i de magneto-optiska fällorna (MOT) som utgör utgångspunkten för experiment med kalla atomer. Under 2019 tillämpade en grupp på RIKEN i Japan denna princip i ett senare skede av kylningsprocessen, med hjälp av maskininlärning för att identifiera nya och effektiva sätt att kyla atomer till temperaturer en bråkdel av en grad över absolut noll, där de går in i ett kvanttillstånd som kallas ett Bose-Einstein-kondensat (BEC).

Låt maskinen göra det

I den senaste utvecklingen av denna trend har två oberoende team av fysiker visat att en form av maskininlärning känd som förstärkningsinlärning kan hjälpa kalla atomsystem att hantera störningar.

"I vårt laboratorium fann vi att vårt BEC-producerande system var ganska instabilt, så att vi bara hade förmågan att producera BECs av rimlig kvalitet under några timmar om dagen", förklarar Nick Milson, en doktorand vid University of Alberta, Kanada som ledde ett av projekten. Att optimera det här systemet för hand visade sig vara utmanande: "Du har en procedur som stöds av komplicerad och allmänt svåröverskådlig fysik, och detta förstärks av en experimentell apparat som naturligtvis kommer att ha en viss grad av ofullkomlighet," säger Milson. "Det är därför många grupper har tagit itu med problemet med maskininlärning, och varför vi vänder oss till förstärkningsinlärning för att ta itu med problemet med att bygga en konsekvent och reaktiv styrenhet."

Reinforcement learning (RL) fungerar annorlunda än andra maskininlärningsstrategier som tar in märkta eller omärkta indata och använder den för att förutsäga utdata. Istället syftar RL till att optimera en process genom att förstärka önskvärda resultat och straffa dåliga.

I sin studie tillät Milson och kollegor en RL-agent som kallas ett aktörskritiskt neuralt nätverk att justera 30 parametrar i sin apparat för att skapa BEC av rubidiumatomer. De försåg också medlet med 30 miljöparametrar som kändes av under den föregående BEC-skapande cykeln. "Man kan tänka på skådespelaren som beslutsfattare, som försöker ta reda på hur man agerar som svar på olika miljöstimuli," förklarar Milson. "Kritikern försöker ta reda på hur bra skådespelarens handlingar kommer att prestera. Dess uppgift är i huvudsak att ge återkoppling till skådespelaren genom att bedöma "godheten" eller "dåligheten" av potentiella åtgärder."

Efter att ha tränat sin RL-agent på data från tidigare experimentella körningar, fann Alberta-fysikerna att den RL-styrda kontrollern konsekvent överträffade människor när de laddade rubidiumatomer i en magnetfälla. Den största nackdelen, säger Milson, var den tid som krävdes för att samla in träningsdata. "Om vi ​​kunde introducera en icke-förstörande bildbehandlingsteknik som fluorescensbaserad avbildning, skulle vi i princip kunna låta systemet samla in data hela tiden, oavsett vem som för närvarande använde systemet eller för vilket syfte", säger han. Fysikvärlden.

Steg för steg

I ett separat arbete, fysiker under ledning av Valentin Volchkov från Max Planck Institute for Intelligent Systems och University of Tübingen, Tyskland, tillsammans med sin Tübingen-kollega Andreas Günther, tog ett annat tillvägagångssätt. Istället för att träna sin RL-agent för att optimera dussintals experimentella parametrar, fokuserade de på bara två: magnetfältsgradienten hos MOT och frekvensen av laserljuset som används för att kyla och fånga rubidiumatomer i den.

Det optimala värdet för laserfrekvensen är i allmänhet den som producerar det största antalet atomer N vid lägsta temperaturen T. Men det här optimala värdeförändringar eftersom temperaturen sjunker på grund av interaktioner mellan atomerna och laserljuset. Tübingen-teamet lät därför sin RL-agent justera parametrar i 25 sekventiella tidssteg under en 1.5 sekunder lång MOT-laddningscykel och "belönade" den för att ha kommit så nära det önskade värdet som möjligt på N/T vid slutet, mätt med fluorescensavbildning.

Medan RL-agenten inte kom med några tidigare okända strategier för att kyla atomer i MOT - "ett ganska tråkigt resultat", skämtar Volchkov - det gjorde experimentapparaten mer robust. "Om det finns någon störning på tidsskalan för vår provtagning, så borde agenten kunna reagera på det om det är utbildat i enlighet därmed", säger han. Sådana automatiska justeringar, tillägger han, kommer att vara avgörande för att skapa bärbara kvantenheter som "inte kan ha doktorander som sköter dem 24-7".

Ett verktyg för komplexa system

Volchkov tror att RL också skulle kunna ha bredare tillämpningar inom kallatomfysik. "Jag är övertygad om att förstärkningsinlärning har potential att ge nya operationssätt och kontraintuitiva kontrollsekvenser när de tillämpas på kontroll av ultrakalla kvantgasexperiment med tillräckliga frihetsgrader", säger han Fysikvärlden. "Detta är särskilt relevant för mer komplexa atomarter och molekyler. Så småningom kan en analys av dessa nya kontrollsätt kasta ljus över fysiska principer som styr mer exotiska ultrakalla gaser."

Kallast: hur ett brev till Einstein och framsteg inom laserkylningsteknik ledde fysiker till nya kvanttillstånd av materia

Milson är likaså entusiastisk över teknikens potential. "Användningsfallen är förmodligen oändliga och spänner över alla områden av atomfysik", säger han. "Från optimering av att ladda atomer till optisk pincett, till att designa protokoll i kvantminne för optimal lagring och hämtning av kvantinformation, verkar maskininlärning mycket väl lämpad för dessa komplicerade scenarier med många kroppar som finns inom atom- och kvantfysik."

Alberta-teamets arbete publiceras i Maskininlärning: vetenskap och teknik. Tübingen-teamets arbete visas i en arXiv preprint.

• Den här artikeln ändrades den 31 januari 2024 för att klargöra Valentin Volchkovs anknytning och detaljer om Tübingen-experimentet.

• SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
• PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
• PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
• Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
• PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
• Källa: https://physicsworld.com/a/machine-learning-takes-hassle-out-of-cold-atom-experiments/