A gépi tanulás gond nélkül megoldja a hidegatomos kísérleteket – Fizika világa

A hideg atomok sok problémát megoldanak a kvantumtechnológiában. Kvantumszámítógépet szeretnél? Készíthetsz egyet egy ultrahideg atomok tömbje. Kvantumismétlőre van szüksége egy biztonságos kommunikációs hálózathoz? Hideg atomok fedezted-e. Mit szólnál egy kvantumszimulátorhoz bonyolult sűrített anyag problémákhoz? Igen, hideg atomok ezt is megteheti.

A hátránya az, hogy ezeknek a dolgoknak a végrehajtása megköveteli körülbelül két Nobel-díj értékű kísérleti berendezés. Ami még rosszabb, a zavar legapróbb forrásai – a laboratóriumi hőmérséklet változása, a kósza mágneses tér (a hideg atomok is kiváló kvantummagnetométerek), akár egy becsapott ajtó is – felboríthatja a lézerek, optikák, mágnestekercsek és elektronika bonyolult tömbjeit, amelyek lehetővé teszik a hideg atomfizikát.

Ennek a bonyolultságnak a megbirkózása érdekében a hidegatom-fizikusok elkezdték feltárni a gépi tanulás felhasználásának módjait kísérleteik kibővítésére. 2018-ban például az Australian National University csapata kifejlesztett egy gépre optimalizált rutin az atomok magneto-optikai csapdákba való betöltésére (MOT-ok), amelyek a hidegatomos kísérletek kiindulópontját jelentik. 2019-ben a japán RIKEN egyik csoportja ezt az elvet alkalmazta a hűtési folyamat egy későbbi szakaszában, gépi tanulással azonosítani az atomok hűtésének új és hatékony módjait fok töredékével az abszolút nulla feletti hőmérsékletre, ahol Bose-Einstein kondenzátumként (BEC) ismert kvantumállapotba kerülnek.

Hagyja, hogy a gép csinálja

Ennek az irányzatnak a legújabb fejlesztése során két független fizikuscsoport kimutatta, hogy a gépi tanulás egyik formája, amelyet megerősítő tanulásként ismernek, segíthet a hidegatomos rendszereknek a zavarok kezelésében.

„Laboratóriumunkban azt találtuk, hogy a BEC-előállító rendszerünk meglehetősen instabil volt, így a nap folyamán csak néhány órára tudtunk megfelelő minőségű BEC-ket előállítani” – magyarázza. Nick Milson, a kanadai Albertai Egyetem PhD hallgatója, aki vezette az egyik projekt. Ennek a rendszernek a kézi optimalizálása kihívásnak bizonyult: „Ön egy bonyolult és általában nehezen kezelhető fizika alapját képező eljárás, és ezt tetézi egy kísérleti berendezés, amely természetesen bizonyos fokú tökéletlenséggel fog rendelkezni” – mondja Milson. „Ez az oka annak, hogy sok csoport a gépi tanulással kezelte a problémát, és ezért fordulunk a megerősítő tanuláshoz, hogy kezeljük a konzisztens és reaktív vezérlő felépítésének problémáját.”

A megerősítő tanulás (RL) másként működik, mint az egyéb gépi tanulási stratégiák, amelyek címkézett vagy címkézetlen bemeneti adatokat vesznek fel, és azokat a kimenetek előrejelzésére használják. Ehelyett az RL arra törekszik, hogy optimalizálja a folyamatot azáltal, hogy megerősíti a kívánatos eredményeket és megbünteti a rosszakat.

Tanulmányukban Milson és munkatársai lehetővé tették az RL-ügynöknek, az úgynevezett színészkritikus neurális hálózatnak, hogy 30 paramétert állítson be a készülékében a rubídium atomok BEC-jének létrehozásához. Az előző BEC-létrehozási ciklus során érzékelt 30 környezeti paraméterrel is ellátták a szert. „Az ember úgy gondolhatja, hogy a színész a döntéshozó, aki megpróbálja kitalálni, hogyan viselkedjen a különböző környezeti ingerekre reagálva” – magyarázza Milson. „A kritikus megpróbálja kitalálni, hogy a színész cselekedetei mennyire fognak jól teljesíteni. Feladata alapvetően az, hogy visszajelzést adjon a szereplőnek azáltal, hogy felméri a lehetséges cselekvések „jóságát” vagy „rosszságát”.

Miután az RL-ágensüket a korábbi kísérleti futtatások adataira betanították, az albertai fizikusok azt találták, hogy az RL-vezérelt vezérlő következetesen felülmúlta az embereket a rubídium atomok mágneses csapdába való betöltésében. A fő hátrány Milson szerint az edzésadatok gyűjtéséhez szükséges idő volt. "Ha be tudnánk vezetni egy roncsolásmentes képalkotó technikát, például a fluoreszcencia alapú képalkotást, akkor lényegében a rendszer folyamatosan adatokat gyűjthetne, függetlenül attól, hogy éppen ki használja a rendszert és milyen célból" - mondja. Fizika Világa.

Lépésről lépésre

Egy külön műben a fizikusok vezették Valentin Volcskov és a Andreas Günther of the University of Tübingen, Germany, took a different approach. Instead of training their RL agent to optimize multiple experimental parameters, they focused on a single parameter: the frequency of the laser light used to cool and trap rubidium atoms in a MOT.

The optimum value of this frequency is generally one that produces the greatest number of atoms N a legalacsonyabb hőmérsékleten T. Ez azonban optimális értékváltozások as the temperature drops due to interactions between the atoms and the laser light. The Tübingen team therefore allowed their RL agent to adjust the laser frequency at 25 sequential time steps during a 1.5-second-long MOT loading cycle, and “rewarded” it for getting as close as possible to the desired value of N/T a végén.

Míg az RL-ügynök nem talált ki korábban ismeretlen stratégiát az atomok hűtésére a MOT-ban – „elég unalmas eredmény”, viccelődik Volchkov –, mégis robusztusabbá tette a kísérleti berendezést. „Ha van némi zavar a mintavételünk időskálájában, akkor az ügynöknek képesnek kell lennie arra, hogy reagáljon rá, ha megfelelően képzett” – mondja. Hozzáteszi, hogy az ilyen automatikus beállítások létfontosságúak lesznek a hordozható kvantumeszközök létrehozásához, amelyeket „a PhD-hallgatók nem ápolhatnak 24-7”.

Eszköz összetett rendszerekhez

Volchkov úgy véli, hogy az RL-nek szélesebb körű alkalmazásai is lehetnek a hidegatom fizikában. "Szilárd meggyőződésem, hogy a megerősítő tanulás új működési módokat és intuitív vezérlési szekvenciákat eredményezhet, ha az ultrahideg kvantumgáz-kísérletek kellő szabadságfokkal történő vezérlésére alkalmazzák" - mondja. Fizika Világa. „Ez különösen fontos az összetettebb atomfajták és molekulák esetében. Végül az új szabályozási módok elemzése fényt deríthet az egzotikusabb ultrahideg gázok fizikai alapelveire.”

Leghidegebb: egy Einsteinnek írt levél és a lézeres hűtési technológia fejlődése hogyan vezette a fizikusokat az anyag új kvantumállapotaihoz

Milson is lelkesedik a technikában rejlő lehetőségekért. „A felhasználási esetek valószínűleg végtelenek, és az atomfizika minden területére kiterjednek” – mondja. "Az atomok optikai csipeszekbe való betöltésének optimalizálásától a kvantummemóriában a kvantuminformációk optimális tárolására és visszanyerésére szolgáló protokollok tervezéséig a gépi tanulás nagyon jól illeszkedik ezekhez az atom- és kvantumfizikában megtalálható bonyolult, soktestű forgatókönyvekhez."

Az Alberta csapat munkáját ben tették közzé Gépi tanulás: Tudomány és technológia. A tübingeni csapat munkája megjelenik egy arXiv előnyomtatás.

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
• Forrás: https://physicsworld.com/a/machine-learning-takes-hassle-out-of-cold-atom-experiments/