Maschinelles Lernen erleichtert Experimente mit kalten Atomen – Physics World

Kalte Atome lösen viele Probleme der Quantentechnologie. Willst du einen Quantencomputer? Sie können eines aus einem machen Anordnung ultrakalter Atome. Benötigen Sie einen Quanten-Repeater für ein sicheres Kommunikationsnetzwerk? Kalte Atome hast du gedeckt. Wie wäre es mit einem Quantensimulator für komplizierte Probleme der kondensierten Materie? Ja, kalte Atome kann das auch.

Der Nachteil ist, dass für all diese Dinge etwas nötig ist etwa zwei Nobelpreise wert von Versuchsgeräten. Schlimmer noch, die kleinsten Ursachen für Störungen – eine Änderung der Labortemperatur, ein magnetisches Streufeld (auch kalte Atome erzeugen). ausgezeichnete Quantenmagnetometer), sogar eine zugeschlagene Tür – kann die komplizierten Anordnungen von Lasern, Optiken, Magnetspulen und Elektronik aus dem Gleichgewicht bringen, die die Physik kalter Atome ermöglichen.

Um dieser Komplexität gerecht zu werden, haben Kaltatomphysiker damit begonnen, nach Möglichkeiten zu suchen, maschinelles Lernen zur Erweiterung ihrer Experimente einzusetzen. Im Jahr 2018 entwickelte beispielsweise ein Team der Australian National University eine maschinenoptimierte Routine zum Laden von Atomen in die magnetooptischen Fallen (MOTs), die den Ausgangspunkt für Experimente mit kalten Atomen bilden. Im Jahr 2019 wandte eine Gruppe bei RIKEN in Japan dieses Prinzip auf eine spätere Phase des Kühlprozesses an und nutzte dabei maschinelles Lernen Identifizieren Sie neue und effektive Wege zur Kühlung von Atomen auf Temperaturen von einem Bruchteil eines Grads über dem absoluten Nullpunkt, wo sie in einen Quantenzustand übergehen, der als Bose-Einstein-Kondensat (BEC) bekannt ist.

Lassen Sie die Maschine das machen

In der neuesten Entwicklung dieses Trends haben zwei unabhängige Physikerteams gezeigt, dass eine Form des maschinellen Lernens, bekannt als Reinforcement Learning, Kaltatomsystemen dabei helfen kann, Störungen zu bewältigen.

„In unserem Labor stellten wir fest, dass unser BEC-Produktionssystem ziemlich instabil war, sodass wir nur wenige Stunden am Tag BECs von angemessener Qualität produzieren konnten“, erklärt Nick Milson, ein Doktorand an der University of Alberta, Kanada, der leitete eines der Projekte. Die manuelle Optimierung dieses Systems erwies sich als Herausforderung: „Sie haben ein Verfahren, das auf einer komplizierten und im Allgemeinen unlösbaren Physik basiert, und dazu kommt noch ein experimenteller Apparat, der natürlicherweise ein gewisses Maß an Unvollkommenheit aufweist“, sagt Milson. „Aus diesem Grund haben viele Gruppen das Problem mit maschinellem Lernen angegangen und wir wenden uns dem verstärkenden Lernen zu, um das Problem des Aufbaus eines konsistenten und reaktiven Controllers anzugehen.“

Reinforcement Learning (RL) funktioniert anders als andere maschinelle Lernstrategien, die gekennzeichnete oder unbeschriftete Eingabedaten aufnehmen und diese zur Vorhersage von Ausgaben verwenden. Stattdessen zielt RL darauf ab, einen Prozess zu optimieren, indem wünschenswerte Ergebnisse verstärkt und schlechte bestraft werden.

In ihrer Studie erlaubten Milson und Kollegen einem RL-Agenten, einem sogenannten akteurkritischen neuronalen Netzwerk, 30 Parameter in ihrem Apparat anzupassen, um BECs aus Rubidiumatomen zu erzeugen. Sie versorgten den Agenten außerdem mit 30 Umgebungsparametern, die während des vorherigen BEC-Erstellungszyklus erfasst wurden. „Man könnte sich den Schauspieler als den Entscheidungsträger vorstellen, der versucht herauszufinden, wie er auf verschiedene Umweltreize reagieren soll“, erklärt Milson. „Der Kritiker versucht herauszufinden, wie gut die Handlungen des Schauspielers funktionieren werden. Seine Aufgabe besteht im Wesentlichen darin, dem Akteur Feedback zu geben, indem er die „Gutheit“ oder „Schlechtheit“ potenziell ergriffener Maßnahmen beurteilt.“

Nachdem die Physiker aus Alberta ihren RL-Agenten anhand von Daten aus früheren Versuchsläufen trainiert hatten, stellten sie fest, dass der RL-gesteuerte Controller den Menschen beim Laden von Rubidiumatomen in eine Magnetfalle durchweg übertraf. Der größte Nachteil, sagt Milson, sei der Zeitaufwand für die Erfassung der Trainingsdaten gewesen. „Wenn wir eine zerstörungsfreie Bildgebungstechnik wie die fluoreszenzbasierte Bildgebung einführen könnten, könnte das System im Grunde ständig Daten sammeln, unabhängig davon, wer das System gerade nutzt oder zu welchem ​​Zweck“, erzählt er Physik-Welt.

Schritt für Schritt

In einer separaten Arbeit führten Physiker durch Walentin Woltschkow und Andreas Günter von der Universität Tübingen, Deutschland, verfolgte einen anderen Ansatz. Anstatt ihren RL-Agenten darauf zu trainieren, mehrere experimentelle Parameter zu optimieren, konzentrierten sie sich auf einen einzigen Parameter: die Frequenz des Laserlichts, das zum Kühlen und Einfangen von Rubidiumatomen in einem MOT verwendet wird.

Der optimale Wert dieser Frequenz ist im Allgemeinen derjenige, der die größte Anzahl an Atomen erzeugt N bei niedrigster Temperatur T. Dies jedoch optimale Wertänderungen da die Temperatur aufgrund der Wechselwirkungen zwischen den Atomen und dem Laserlicht sinkt. Das Tübinger Team erlaubte daher seinem RL-Agenten, die Laserfrequenz während eines 25 Sekunden langen MOT-Ladezyklus in 1.5 aufeinanderfolgenden Zeitschritten anzupassen, und „belohnte“ ihn dafür, dass er dem gewünschten Wert so nahe wie möglich kam N / T Am Ende.

Während der RL-Agent keine bisher unbekannten Strategien zur Kühlung von Atomen im MOT entwickelte – „ein ziemlich langweiliges Ergebnis“, scherzt Volchkov –, machte er die Experimentierapparatur dennoch robuster. „Wenn es auf der Zeitskala unserer Probenahme zu Störungen kommt, sollte der Agent in der Lage sein, darauf zu reagieren, wenn er entsprechend trainiert wird“, sagt er. Solche automatischen Anpassungen, fügt er hinzu, werden für die Entwicklung tragbarer Quantengeräte von entscheidender Bedeutung sein, „die nicht von Doktoranden rund um die Uhr betreut werden können“.

Ein Werkzeug für komplexe Systeme

Volchkov glaubt, dass RL auch umfassendere Anwendungen in der Physik kalter Atome haben könnte. „Ich bin fest davon überzeugt, dass Reinforcement Learning das Potenzial hat, neue Betriebsweisen und kontraintuitive Steuerungssequenzen hervorzubringen, wenn es auf die Steuerung ultrakalter Quantengasexperimente mit ausreichenden Freiheitsgraden angewendet wird“, sagt er Physik-Welt. „Dies ist besonders relevant für komplexere Atomspezies und Moleküle. Letztendlich könnte die Analyse dieser neuen Kontrollarten Aufschluss über die physikalischen Prinzipien geben, die exotischeren ultrakalten Gasen zugrunde liegen.“

Am kältesten: Wie ein Brief an Einstein und Fortschritte in der Laserkühlungstechnologie Physiker zu neuen Quantenzuständen der Materie führten

Auch Milson ist vom Potenzial der Technik begeistert. „Die Anwendungsfälle sind wahrscheinlich endlos und umfassen alle Bereiche der Atomphysik“, sagt er. „Von der Optimierung des Ladens von Atomen in optische Pinzetten bis hin zum Entwurf von Protokollen im Quantenspeicher für die optimale Speicherung und den Abruf von Quanteninformationen scheint maschinelles Lernen für diese komplizierten Vielteilchenszenarien in der Atom- und Quantenphysik sehr gut geeignet zu sein.“

Die Arbeit des Alberta-Teams ist in veröffentlicht Maschinelles Lernen: Wissenschaft und Technologie. Die Arbeit des Tübinger Teams erscheint in einem arXiv Preprint.

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
• PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
• PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
• PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
• Quelle: https://physicsworld.com/a/machine-learning-takes-hassle-out-of-cold-atom-experiments/