Koneoppiminen poistaa vaivaa kylmäatomikokeista – Physics World

Kylmät atomit ratkaisevat monia kvanttitekniikan ongelmia. Haluatko kvanttitietokoneen? Voit tehdä sellaisen joukko ultrakylmiä atomeja. Tarvitsetko kvanttitoistimen suojattua viestintäverkkoa varten? Kylmiä atomeja oletko suojannut. Entä kvanttisimulaattori monimutkaisiin kondensoituneiden aineiden ongelmiin? joo, kylmiä atomeja voi tehdä senkin.

Huono puoli on, että minkä tahansa näiden asioiden tekeminen vaatii noin kahden Nobel-palkinnon arvoinen kokeellisista laitteista. Mikä pahempaa, pienimmät järkytyksen lähteet – laboratorion lämpötilan muutos, hajamagneettikenttä (myös kylmät atomit Erinomaiset kvanttimagnetometrit), jopa paisunut ovi – voi järkyttää monimutkaiset laserit, optiikka, magneettikelat ja elektroniikka, jotka mahdollistavat kylmäatomifysiikan.

Selviytyäkseen tästä monimutkaisuudesta kylmäatomifyysikot ovat alkaneet tutkia tapoja käyttää koneoppimista lisäämään kokeitaan. Esimerkiksi vuonna 2018 Australian National Universityn tiimi kehitti a koneoptimoitu rutiini atomien lataamiseksi magneto-optisiin ansoihin (MOT), jotka muodostavat lähtökohdan kylmäatomikokeille. Vuonna 2019 ryhmä RIKENissä Japanissa sovelsi tätä periaatetta jäähdytysprosessin myöhemmässä vaiheessa koneoppimisen avulla. tunnistaa uusia ja tehokkaita tapoja jäähdyttää atomeja asteen murto-osan absoluuttisen nollan yläpuolella oleviin lämpötiloihin, jolloin ne siirtyvät kvanttitilaan, joka tunnetaan Bose-Einstein-kondensaattina (BEC).

Anna koneen tehdä se

Tämän suuntauksen viimeisimmässä kehityksessä kaksi riippumatonta fyysikkoryhmää ovat osoittaneet, että vahvistusoppimisena tunnettu koneoppimisen muoto voi auttaa kylmäatomijärjestelmiä käsittelemään häiriöitä.

"Laboratoriossamme havaitsimme, että BEC:tä tuottava järjestelmämme oli melko epävakaa, joten pystyimme tuottamaan kohtuullisen laadukkaita BEC:itä vain muutaman tunnin ajan vuorokaudessa", selittää. Nick Milson, tohtoriopiskelija Albertan yliopistossa Kanadassa, joka johti yksi projekteista. Tämän järjestelmän optimointi käsin osoittautui haastavaksi: "Sinulla on menetelmä, jonka taustalla on monimutkainen ja yleisesti vaikeaselkoinen fysiikka, ja tätä täydentää kokeellinen laitteisto, jossa on luonnollisesti jonkin verran epätäydellisyyttä", Milson sanoo. "Tästä syystä monet ryhmät ovat käsitelleet ongelmaa koneoppimisen avulla, ja siksi ryhdymme vahvistavaan oppimiseen ratkaistaksemme johdonmukaisen ja reaktiivisen ohjaimen rakentamisen."

Vahvistusoppiminen (RL) toimii eri tavalla kuin muut koneoppimisstrategiat, jotka ottavat vastaan ​​merkittyjä tai merkitsemättömiä syöttötietoja ja käyttävät sitä tulosten ennustamiseen. Sen sijaan RL pyrkii optimoimaan prosessia vahvistamalla toivottuja tuloksia ja rankaisemalla huonoja.

Tutkimuksessaan Milson ja kollegat antoivat RL-agentille, jota kutsutaan näyttelijäkriittiseksi hermoverkoksi, säätää 30 parametria laitteissaan rubidiumatomien BEC:ien luomiseksi. He toimittivat agentille myös 30 ympäristöparametria, jotka havaittiin edellisen BEC-luontisyklin aikana. "Toimijaa voidaan ajatella päätöksentekijänä, joka yrittää selvittää, kuinka toimia reagoidakseen erilaisiin ympäristön ärsykkeisiin", Milson selittää. "Kriitikot yrittää selvittää, kuinka hyvin näyttelijän teot tulevat suoriutumaan. Sen tehtävänä on pohjimmiltaan antaa palautetta toimijalle arvioimalla mahdollisten toimien "hyvyyttä" tai "huonoa".

Koulutettuaan RL-agenttiaan aikaisempien koeajojen tiedoilla Albertan fyysikot havaitsivat, että RL-ohjattu ohjain suoriutui johdonmukaisesti ihmisistä paremmin ladattaessa rubidiumatomeja magneettiseen ansaan. Suurin haittapuoli, Milson sanoo, oli harjoitustietojen keräämiseen tarvittava aika. "Jos voisimme ottaa käyttöön tuhoamattoman kuvantamistekniikan, kuten fluoresenssipohjaisen kuvantamisen, voisimme käytännössä saada järjestelmän keräämään tietoja koko ajan riippumatta siitä, kuka järjestelmää parhaillaan käyttää tai mihin tarkoitukseen", hän kertoo. Fysiikan maailma.

Askel askeleelta

Erillisessä työssä fyysikot johtivat Valentin Volchkov ja Andreas Günther Tübingenin yliopistossa Saksassa oli erilainen lähestymistapa. Sen sijaan, että he olisivat kouluttaneet RL-agenttiaan optimoimaan useita kokeellisia parametreja, he keskittyivät yhteen parametriin: sen laservalon taajuuteen, jota käytetään rubidiumatomien jäähdyttämiseen ja vangitsemiseen MOT:ssa.

Tämän taajuuden optimiarvo on yleensä sellainen, joka tuottaa suurimman määrän atomeja N alimmassa lämpötilassa T. Tämä kuitenkin on optimaaliset arvon muutokset kun lämpötila laskee atomien ja laservalon välisten vuorovaikutusten vuoksi. Tübingenin tiimi antoi siksi RL-agenttinsa säätää lasertaajuutta 25 peräkkäisen aikavaiheen aikana 1.5 sekunnin pituisen MOT-latausjakson aikana ja "palkitsi" sen siitä, että se oli saavuttanut mahdollisimman lähelle haluttua arvoa N/T lopussa.

Vaikka RL-agentti ei keksinyt mitään aiemmin tuntemattomia strategioita atomien jäähdyttämiseksi MOT:ssa – "melko tylsä ​​tulos", Volchkov vitsailee - se teki koelaitteistosta vankemman. "Jos näytteenottomme aikaskaalassa esiintyy häiriöitä, agentin pitäisi pystyä reagoimaan siihen, jos se on koulutettu vastaavasti", hän sanoo. Hän lisää, että tällaiset automaattiset säädöt ovat elintärkeitä luotaessa kannettavia kvanttilaitteita, joita "ei voi saada tohtoriopiskelijoiden hoitamaan niitä 24-7".

Työkalu monimutkaisiin järjestelmiin

Volchkov uskoo, että RL:llä voisi olla laajempia sovelluksia kylmäatomifysiikassa. "Uskon vakaasti, että vahvistusoppiminen voi tuottaa uusia toimintatapoja ja vasta-intuitiivisia ohjaussekvenssejä, kun sitä sovelletaan ultrakylmien kvanttikaasukokeiden ohjaamiseen riittävällä vapausasteella", hän kertoo. Fysiikan maailma. "Tämä on erityisen tärkeää monimutkaisemmille atomilajeille ja -molekyyleille. Lopulta näiden uusien ohjaustapojen analysointi saattaa paljastaa fysikaalisia periaatteita, jotka hallitsevat eksoottisempia ultrakylmiä kaasuja."

Kylmin: kuinka kirje Einsteinille ja laserjäähdytystekniikan kehitys johtivat fyysikot uusiin aineen kvanttitiloihin

Milson on yhtä innostunut tekniikan mahdollisuuksista. "Käyttötapauksia on luultavasti loputtomasti, ja ne kattavat kaikki atomifysiikan alueet", hän sanoo. "Atomien lataamisen optimoinnista optisiin pinseteihin ja protokollien suunnitteluun kvanttimuistiin optimaalista kvanttitiedon tallentamista ja hakua varten, koneoppiminen näyttää sopivan erittäin hyvin näihin monimutkaisiin monikappaleisiin skenaarioihin, joita löytyy atomi- ja kvanttifysiikasta."

Alberta-tiimin työ on julkaistu v Koneoppiminen: Tiede ja teknologia. Tübingenin tiimin työ näkyy an arXiv preprint.

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
• PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
• PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
• PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
• Lähde: https://physicsworld.com/a/machine-learning-takes-hassle-out-of-cold-atom-experiments/