Makine öğrenimi, soğuk atom deneylerindeki zorlukları ortadan kaldırıyor - Fizik Dünyası

Soğuk atomlar kuantum teknolojisindeki birçok sorunu çözmektedir. Kuantum bilgisayar mı istiyorsunuz? Birinden bir tane yapabilirsiniz aşırı soğuk atom dizisi. Güvenli bir iletişim ağı için kuantum tekrarlayıcıya mı ihtiyacınız var? Soğuk atomlar örtüştün mü. Karmaşık yoğun madde problemleri için bir kuantum simülatörüne ne dersiniz? Evet, soğuk atomlar bunu da yapabilir.

Dezavantajı ise bunlardan herhangi birini yapmanın gerektirmesidir. yaklaşık iki Nobel Ödülü değerinde deneysel aparatlardan oluşur. Daha da kötüsü, en küçük rahatsızlık kaynakları; laboratuvar sıcaklığındaki bir değişiklik, başıboş bir manyetik alan (soğuk atomlar da mükemmel kuantum manyetometreleri), çarpılmış bir kapı bile soğuk atom fiziğini mümkün kılan karmaşık lazer, optik, manyetik bobin ve elektronik dizilerini bozabilir.

Bu karmaşıklığın üstesinden gelmek için soğuk atom fizikçileri, deneylerini geliştirmek amacıyla makine öğrenimini kullanmanın yollarını keşfetmeye başladılar. Örneğin 2018'de Avustralya Ulusal Üniversitesi'ndeki bir ekip, Atomları manyeto-optik tuzaklara yüklemek için makine tarafından optimize edilmiş rutin (MOT'lar) soğuk atom deneylerinin başlangıç ​​noktasını oluşturur. 2019 yılında Japonya'daki RIKEN'deki bir grup, makine öğrenimini kullanarak bu prensibi soğutma sürecinin daha sonraki bir aşamasına uyguladı. Atomları soğutmanın yeni ve etkili yollarını belirlemek mutlak sıfırın bir derecenin çok az üzerindeki sıcaklıklara kadar yükselir ve burada Bose-Einstein yoğunlaşması (BEC) olarak bilinen kuantum durumuna girerler.

Bırakın makine yapsın

Bu trenddeki en son gelişmede, iki bağımsız fizikçi ekibi, takviyeli öğrenme olarak bilinen bir makine öğrenimi biçiminin, soğuk atom sistemlerinin kesintilerle başa çıkmasına yardımcı olabileceğini gösterdi.

"Laboratuvarımızda BEC üreten sistemimizin oldukça kararsız olduğunu gördük, öyle ki makul kalitede BEC'leri yalnızca günün birkaç saati üretebiliyorduk" diye açıklıyor Nick MilsonKanada Alberta Üniversitesi'nde doktora öğrencisi olan projelerden biri. Bu sistemi elle optimize etmenin zorlu olduğu ortaya çıktı: Milson, "Karmaşık ve genellikle inatçı fizikle desteklenen bir prosedürünüz var ve bu, doğal olarak bir dereceye kadar kusurlu olacak deneysel bir aparatla birleşiyor" diyor. "Bu, birçok grubun makine öğrenimi sorununu çözmesinin nedenidir ve biz de tutarlı ve tepkisel bir denetleyici oluşturma sorununu çözmek için takviyeli öğrenmeye yönelmemizin nedeni budur."

Takviyeli öğrenme (RL), etiketli veya etiketsiz giriş verilerini alan ve bunları çıktıları tahmin etmek için kullanan diğer makine öğrenimi stratejilerinden farklı şekilde çalışır. Bunun yerine RL, arzu edilen sonuçları güçlendirerek ve kötü olanları cezalandırarak bir süreci optimize etmeyi amaçlamaktadır.

Milson ve meslektaşları, çalışmalarında, aktör-kritik sinir ağı adı verilen bir RL ajanının, rubidyum atomlarının BEC'lerini oluşturmak için aparatlarındaki 30 parametreyi ayarlamasına izin verdi. Ayrıca aracıya, önceki BEC oluşturma döngüsü sırasında algılanan 30 çevresel parametreyi de sağladılar. Milson şöyle açıklıyor: "Aktörü, farklı çevresel uyaranlara yanıt olarak nasıl davranacağını bulmaya çalışan karar verici olarak düşünebiliriz." diye açıklıyor Milson. “Eleştirmen, oyuncunun eylemlerinin ne kadar iyi performans göstereceğini anlamaya çalışıyor. Görevi esas olarak, gerçekleştirilen potansiyel eylemlerin 'iyiliğini' veya 'kötülüğünü' değerlendirerek aktöre geri bildirim sağlamaktır.”

Alberta'daki fizikçiler, RL ajanlarını önceki deneysel çalışmalardan elde edilen veriler konusunda eğittikten sonra, RL güdümlü kontrolörün, rubidyum atomlarını manyetik bir tuzağa yükleme konusunda sürekli olarak insanlardan daha iyi performans gösterdiğini buldular. Milson'a göre en büyük dezavantaj, eğitim verilerini toplamak için gereken süreydi. "Eğer floresans bazlı görüntüleme gibi tahribatsız bir görüntüleme tekniğini uygulamaya koyabilseydik, sistemi şu anda kim veya hangi amaçla kullanıyor olursa olsun, sistemin her zaman veri toplamasını sağlayabilirdik" diyor Fizik dünyası.

Adım adım

Ayrı bir çalışmada, liderliğindeki fizikçiler Valentin Volchkov ve Andreas Günter Almanya'nın Tübingen Üniversitesi'nden farklı bir yaklaşım benimsedi. Birden fazla deneysel parametreyi optimize etmek için RL ajanlarını eğitmek yerine tek bir parametreye odaklandılar: MOT'da rubidyum atomlarını soğutmak ve yakalamak için kullanılan lazer ışığının frekansı.

Bu frekansın optimum değeri genellikle en fazla sayıda atom üreten değerdir. N en düşük sıcaklıkta T. ama, bu optimum değer değişiklikleri Atomlar ve lazer ışığı arasındaki etkileşimler nedeniyle sıcaklık düştükçe. Bu nedenle Tübingen ekibi, RL temsilcisinin, 25 saniyelik MOT yükleme döngüsü sırasında lazer frekansını 1.5 ardışık zaman adımında ayarlamasına izin verdi ve istenen değere mümkün olduğunca yaklaştığı için onu "ödüllendirdi". N / T sonunda.

RL ajanı, MOT'da atomları soğutmak için önceden bilinmeyen herhangi bir strateji geliştirmemiş olsa da - Volchkov'un şakasına göre "oldukça sıkıcı bir sonuç" - bu, deney aparatını daha sağlam hale getirdi. "Örneklememizin zaman ölçeğinde bir miktar bozulma varsa, o zaman aracının uygun şekilde eğitilmesi durumunda buna tepki verebilmesi gerekir" diyor. Bu tür otomatik ayarlamaların, "doktora öğrencilerinin 24/7 ilgilenmesine izin vermeyecek" taşınabilir kuantum cihazları yaratmak için hayati önem taşıyacağını ekliyor.

Karmaşık sistemler için bir araç

Volchkov, RL'nin soğuk atom fiziğinde de daha geniş uygulamalara sahip olabileceğini düşünüyor. "Takviyeli öğrenmenin, yeterli serbestlik derecesine sahip ultra soğuk kuantum gaz deneylerinin kontrolüne uygulandığında yeni operasyon modları ve sezgisel olmayan kontrol dizileri sağlama potansiyeline sahip olduğuna kesinlikle inanıyorum" diyor. Fizik dünyası. "Bu özellikle daha karmaşık atomik türler ve moleküller için geçerlidir. Sonunda, bu yeni kontrol modlarını analiz etmek, daha egzotik ultra soğuk gazları yöneten fiziksel ilkelere ışık tutabilir."

En Soğuk: Einstein'a bir mektup ve lazer soğutma teknolojisindeki ilerlemeler fizikçileri maddenin yeni kuantum durumlarına nasıl yönlendirdi?

Milson da tekniğin potansiyeli konusunda benzer şekilde heyecanlı. "Kullanım durumları muhtemelen sonsuzdur ve atom fiziğinin tüm alanlarını kapsamaktadır" diyor. "Atomların optik cımbızlara yüklenmesinin optimizasyonundan, kuantum bilgilerinin en iyi şekilde depolanması ve alınması için kuantum belleğindeki protokollerin tasarlanmasına kadar, makine öğrenimi, atom ve kuantum fiziğinde bulunan bu karmaşık, çok cisimli senaryolara çok uygun görünüyor."

Alberta ekibinin çalışması şu adreste yayınlandı: Makine Öğrenimi: Bilim ve Teknoloji. Tübingen ekibinin çalışması şöyle görünüyor: arXiv ön baskı.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: https://physicsworld.com/a/machine-learning-takes-hassle-out-of-cold-atom-experiments/