Pembelajaran mesin menghilangkan kerumitan eksperimen atom dingin – Physics World

Atom dingin memecahkan banyak masalah dalam teknologi kuantum. Ingin komputer kuantum? Anda dapat membuatnya dari susunan atom ultradingin. Butuh repeater kuantum untuk jaringan komunikasi yang aman? Atom dingin sudahkah kamu meliputnya?. Bagaimana dengan simulator kuantum untuk masalah materi terkondensasi yang rumit? Ya, atom dingin bisa melakukan itu juga.

Kelemahannya adalah melakukan hal-hal ini memerlukan kira-kira bernilai dua Hadiah Nobel peralatan eksperimen. Lebih buruk lagi, sumber gangguan terkecil – perubahan suhu laboratorium, medan magnet yang menyimpang (atom dingin juga membuat magnetometer kuantum yang sangat baik), bahkan pintu yang dibanting – dapat mengganggu rangkaian rumit laser, optik, kumparan magnet, dan elektronik yang memungkinkan terjadinya fisika atom dingin.

Untuk mengatasi kompleksitas ini, fisikawan atom dingin telah mulai mencari cara menggunakan pembelajaran mesin untuk memperluas eksperimen mereka. Pada tahun 2018, misalnya, tim di Australian National University mengembangkan a rutinitas yang dioptimalkan mesin untuk memuat atom ke dalam perangkap magneto-optik (MOTs) yang menjadi titik awal eksperimen atom dingin. Pada tahun 2019, sebuah kelompok di RIKEN di Jepang menerapkan prinsip ini pada tahap proses pendinginan selanjutnya, menggunakan pembelajaran mesin untuk mengidentifikasi cara-cara baru dan efektif untuk mendinginkan atom hingga suhu sepersekian derajat di atas nol mutlak, di mana mereka memasuki keadaan kuantum yang dikenal sebagai kondensat Bose-Einstein (BEC).

Biarkan mesin melakukannya

Dalam perkembangan terkini tren ini, dua tim fisikawan independen telah menunjukkan bahwa bentuk pembelajaran mesin yang dikenal sebagai pembelajaran penguatan (reinforcement learning) dapat membantu sistem atom dingin menangani gangguan.

“Di laboratorium kami, kami menemukan bahwa sistem produksi BEC kami cukup tidak stabil, sehingga kami hanya mampu menghasilkan BEC dengan kualitas yang wajar selama beberapa jam dalam sehari,” jelasnya. Nick Milson, seorang mahasiswa PhD di Universitas Alberta, Kanada yang memimpin salah satu proyek. Mengoptimalkan sistem ini dengan tangan terbukti menantang: “Anda memiliki prosedur yang didukung oleh fisika yang rumit dan umumnya sulit diselesaikan, dan ini diperparah oleh peralatan eksperimental yang secara alami akan memiliki ketidaksempurnaan pada tingkat tertentu,” kata Milson. “Inilah sebabnya banyak kelompok mengatasi masalah ini dengan pembelajaran mesin, dan mengapa kami beralih ke pembelajaran penguatan untuk mengatasi masalah dalam membangun pengontrol yang konsisten dan reaktif.”

Pembelajaran penguatan (RL) bekerja secara berbeda dari strategi pembelajaran mesin lainnya yang mengambil data masukan berlabel atau tidak berlabel dan menggunakannya untuk memprediksi keluaran. Sebaliknya, RL bertujuan untuk mengoptimalkan suatu proses dengan memperkuat hasil yang diinginkan dan memberikan hukuman pada hasil yang buruk.

Dalam penelitian mereka, Milson dan rekannya mengizinkan agen RL yang disebut jaringan saraf aktor-kritikus untuk menyesuaikan 30 parameter dalam peralatan mereka untuk membuat BEC atom rubidium. Mereka juga memberi agen 30 parameter lingkungan yang dirasakan selama siklus pembuatan BEC sebelumnya. “Orang mungkin menganggap aktor sebagai pengambil keputusan, mencoba mencari cara untuk bertindak dalam menanggapi rangsangan lingkungan yang berbeda,” jelas Milson. “Kritikus mencoba mencari tahu seberapa baik tindakan yang akan dilakukan aktor tersebut. Tugasnya pada dasarnya adalah memberikan umpan balik kepada aktor dengan menilai 'kebaikan' atau 'keburukan' dari tindakan potensial yang diambil.”

Setelah melatih agen RL mereka berdasarkan data dari percobaan sebelumnya, fisikawan Alberta menemukan bahwa pengontrol yang dipandu RL secara konsisten mengungguli manusia dalam memasukkan atom rubidium ke dalam perangkap magnet. Kelemahan utamanya, kata Milson, adalah waktu yang dibutuhkan untuk mengumpulkan data pelatihan. “Jika kita dapat memperkenalkan teknik pencitraan non-destruktif seperti pencitraan berbasis fluoresensi, pada dasarnya kita dapat membuat sistem mengumpulkan data setiap saat, tidak peduli siapa yang saat ini menggunakan sistem tersebut, atau untuk tujuan apa,” katanya. Dunia Fisika.

Setapak demi setapak

Dalam karya terpisah, fisikawan dipimpin oleh Valentin Volchkov dan Andreas Gunther dari Universitas Tübingen, Jerman, mengambil pendekatan berbeda. Alih-alih melatih agen RL untuk mengoptimalkan beberapa parameter eksperimental, mereka berfokus pada satu parameter: frekuensi sinar laser yang digunakan untuk mendinginkan dan menjebak atom rubidium dalam MOT.

Nilai optimal frekuensi ini umumnya menghasilkan jumlah atom terbanyak N pada suhu terendah T. Namun ini perubahan nilai optimal saat suhu turun karena interaksi antara atom dan sinar laser. Oleh karena itu, tim Tübingen mengizinkan agen RL mereka untuk menyesuaikan frekuensi laser pada 25 langkah waktu berurutan selama siklus pemuatan MOT yang berdurasi 1.5 detik, dan “menghargainya” karena dapat mendekati nilai yang diinginkan. Tidak pada akhirnya.

Meskipun agen RL tidak menemukan strategi yang sebelumnya tidak diketahui untuk mendinginkan atom di MOT – “hasil yang cukup membosankan”, canda Volchkov – hal ini membuat peralatan eksperimental menjadi lebih kuat. “Jika ada gangguan pada skala waktu pengambilan sampel kami, maka agen harus dapat bereaksi jika dilatih sesuai dengan itu,” katanya. Penyesuaian otomatis seperti itu, tambahnya, akan sangat penting untuk menciptakan perangkat kuantum portabel yang “tidak dapat ditangani oleh mahasiswa PhD 24-7”.

Alat untuk sistem yang kompleks

Volchkov berpendapat RL juga dapat diterapkan lebih luas dalam fisika atom dingin. “Saya sangat yakin bahwa pembelajaran penguatan memiliki potensi untuk menghasilkan mode operasi baru dan rangkaian kontrol kontra-intuitif ketika diterapkan pada kontrol eksperimen gas kuantum ultradingin dengan derajat kebebasan yang memadai,” katanya. Dunia Fisika. “Ini sangat relevan untuk spesies atom dan molekul yang lebih kompleks. Pada akhirnya, menganalisis cara-cara pengendalian baru ini mungkin dapat menjelaskan prinsip-prinsip fisik yang mengatur gas-gas ultradingin yang lebih eksotik.”

Terdingin: bagaimana surat kepada Einstein dan kemajuan teknologi pendingin laser membawa fisikawan ke keadaan materi kuantum baru

Milson juga sangat antusias dengan potensi teknik ini. “Kasus penggunaannya mungkin tidak ada habisnya, mencakup semua bidang fisika atom,” katanya. “Dari optimalisasi pemuatan atom ke dalam pinset optik, hingga merancang protokol dalam memori kuantum untuk penyimpanan optimal dan pengambilan informasi kuantum, pembelajaran mesin tampaknya sangat cocok untuk skenario rumit banyak benda yang ditemukan dalam fisika atom dan kuantum.”

Karya tim Alberta diterbitkan di Pembelajaran Mesin: Sains dan Teknologi. Karya tim Tübingen muncul di arXiv pracetak.

• Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
• PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
• PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
• PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
• PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
• Sumber: https://physicsworld.com/a/machine-learning-takes-hassle-out-of-cold-atom-experiments/