机器学习消除了冷原子实验的麻烦 – 物理世界

冷原子解决了量子技术中的许多问题。想要一台量子计算机吗？你可以从一个 超冷原子阵列。需要量子中继器来建立安全的通信网络吗？冷原子 你覆盖了吗。对于复杂的凝聚态问题的量子模拟器怎么样？是的， 冷原子 也可以做到这一点。

缺点是做这些事情都需要 大约相当于两项诺贝尔奖的价值 的实验仪器。更糟糕的是，最微小的干扰源——实验室温度的变化、杂散磁场（冷原子也会使 优秀的量子磁力计），甚至关上的门也会扰乱激光、光学、磁线圈和电子器件的复杂阵列，正是这些阵列使冷原子物理学成为可能。

为了应对这种复杂性，冷原子物理学家已经开始探索使用机器学习来增强实验的方法。例如，2018 年，澳大利亚国立大学的一个团队开发了一种 用于将原子加载到磁光陷阱中的机器优化程序 （MOT）构成冷原子实验的起点。 2019 年，日本 RIKEN 的一个团队将这一原理应用于冷却过程的后期，利用机器学习来 确定冷却原子的新有效方法 温度比绝对零高一点点，它们进入称为玻色-爱因斯坦凝聚体（BEC）的量子态。

让机器来做

在这一趋势的最新发展中，两个独立的物理学家团队表明，一种称为强化学习的机器学习形式可以帮助冷原子系统处理中断。

“在我们的实验室中，我们发现我们的 BEC 生产系统相当不稳定，因此我们只能在一天中的几个小时内生产出质量合理的 BEC，”解释道 尼克·米尔森加拿大阿尔伯塔大学博士生，他领导 其中一个项目。事实证明，手动优化这个系统具有挑战性：“你的程序是由复杂且通常难以处理的物理原理支撑的，并且由实验设备组成，而实验设备自然会存在一定程度的缺陷，”米尔森说。 “这就是为什么许多团体通过机器学习来解决这个问题，也是为什么我们转向强化学习来解决构建一致和反应性控制器的问题。”

强化学习 (RL) 的工作方式与其他机器学习策略不同，其他机器学习策略接受标记或未标记的输入数据并使用它来预测输出。相反，强化学习的目标是通过强化理想结果并惩罚不良结果来优化流程。

在他们的研究中，Milson 和同事允许一种称为行动批评神经网络的 RL 代理调整其设备中的 30 个参数，以创建铷原子的 BEC。他们还向代理提供了在上一个 BEC 创建周期中感测到的 30 个环境参数。 “人们可能会认为演员是决策者，试图找出如何应对不同环境刺激的行动，”米尔森解释道。 “评论家试图弄清楚演员的动作表演得有多好。它的工作本质上是通过评估潜在行动的‘好’或‘坏’来向行动者提供反馈。”

在根据之前实验运行的数据对强化学习代理进行训练后，阿尔伯塔省的物理学家发现，强化学习引导的控制器在将铷原子加载到磁阱中的性能始终优于人类。米尔森说，主要缺点是收集训练数据所需的时间。 “如果我们能够引入一种非破坏性成像技术，例如基于荧光的成像，那么我们基本上可以让系统一直收集数据，无论当前是谁在使用该系统，或者出于什么目的，”他告诉我们 物理世界.

一步一个脚印

在另一项工作中，由物理学家领导 瓦伦丁·沃尔奇科夫 马克斯·普朗克智能系统研究所和德国图宾根大学的教授和他的图宾根同事 安德烈亚斯·冈瑟，采取了不同的方法。他们没有训练 RL 代理来优化数十个实验参数，而是只关注两个参数：MOT 的磁场梯度，以及用于冷却和捕获铷原子的激光频率。

激光频率的最佳值通常是产生最多原子数的频率 N 在最低温度下 T。 但是，这个 最优值变化 由于原子和激光之间的相互作用，温度下降。因此，图宾根团队允许他们的 RL 代理在 25 秒长的 MOT 加载周期内以 1.5 个连续时间步调整参数，并“奖励”它尽可能接近期望值 吨/吨 最后，通过荧光成像测量。

虽然 RL 智能体没有提出任何以前未知的策略来冷却 MOT 中的原子——沃尔奇科夫开玩笑说，“这是一个相当无聊的结果”——但它确实使实验装置变得更加稳健。 “如果我们的采样时间尺度存在一些扰动，那么如果经过相应的训练，代理应该能够对其做出反应，”他说。他补充说，这种自动调整对于创建便携式量子设备至关重要，因为“不能让博士生全天候 24 小时照顾它们”。

复杂系统的工具

沃尔奇科夫认为强化学习在冷原子物理学中也可以有更广泛的应用。 “我坚信，当强化学习应用于具有足够自由度的超冷量子气体实验的控制时，有可能产生新的操作模式和反直觉的控制序列，”他说 物理世界。 “这对于更复杂的原子种类和分子尤其重要。最终，分析这些新的控制模式可能会揭示控制更奇异的超冷气体的物理原理。”

最冷：一封给爱因斯坦的信和激光冷却技术的进步如何引导物理学家发现新的物质量子态

米尔森同样对该技术的潜力充满热情。 “用例可能是无穷无尽的，涵盖原子物理的所有领域，”他说。 “从将原子加载到光镊中的优化，到在量子存储器中设计协议以实现量子信息的最佳存储和检索，机器学习似乎非常适合原子和量子物理学中的这些复杂的多体场景。”

艾伯塔省团队的工作发表于 机器学习：科学与技术. 图宾根团队的工作出现在 arXiv 预印本.

• 本文于 31 年 2024 月 XNUMX 日进行了修改，以澄清 Valentin Volchkov 的从属关系和图宾根实验的细节。

• SEO 支持的内容和 PR 分发。 今天得到放大。
• PlatoData.Network 垂直生成人工智能。 赋予自己力量。 访问这里。
• 柏拉图爱流。 Web3 智能。 知识放大。 访问这里。
• 柏拉图ESG。 碳， 清洁科技, 能源， 环境， 太阳能， 废物管理。 访问这里。
• 柏拉图健康。 生物技术和临床试验情报。 访问这里。
• Sumber: https://physicsworld.com/a/machine-learning-takes-hassle-out-of-cold-atom-experiments/