Nat. Commun.: 使用深度学习进行磁光阱多参数最优化

【引言】

基于人工神经网络的机器学习已经成为一种有效的学习方法，可用于开发复杂系统的经验模型。在世界各地的实验室里，冷原子团已是司空见惯，然而，多体相互作用产生了复杂的动力学，从而对其进行冷却和俘获过程的精确分析优化难以实现。最普遍的冷原子系统是磁光阱，其热原子是从周围的热蒸汽中收集到阱中的。

【成果简介】

近日，澳大利亚国立大学的B.C. Buchler教授（通讯作者）团队在Nature Communication上发表了题为“Multiparameter optimisation of a magneto-optical trap using deep learning”的文章。作者实现了一个深度人工神经网络来优化磁光中性原子团的冷却和俘获。机器学习得到的解决方案与目前使用的平滑变化的绝热解完全不同。尽管如此，本文所得解会产生更高的光学密度。

【图文导读】

图1：光学深度(optical depth)的网络优化示意图。

图2：随机人工神经网络(SANN)优化得到的实验结果。

(a)利用单斜坡对磁场和再泵频率进行人工优化压缩阶段；

(b)126个训练样本运行后，随机人工神经网络所得和最优解汇聚；

(c)通过减小传输探头面积，尽量增大共振光学深度，生成了63个离散参数的SANN解；

(d)去谐范围对应530±8和970±20的人为和SANN优化系综的光学深度测量；

(e)人为和SANN优化原子系综的吸收图像。

图3：实验运行和附加解。

(a)一个典型的实验运行包含四个步骤用以产生原子云；

(b)SANN发现的附加次优化参数设置。

图4：成本图景(cost landscape)和收敛性预测了模型在参数空间探索后产生的成本图景截面。

(a)各参数的已知最优值；

(b)每个一维切片样品是通过在一定范围内独立改变每个参数，同时保持其他参数已知最优值不变；

(c)通过观察测得和预测成本得到汇聚模型。

【小结】

通过实验作者发现，所得解对实验的常规波动足够稳健，保持它们的相对有效性。总的来说，研究者受限于实验工作周期，而如果随机人工神经网络能支持更高的工作周期，也可以用于具有数量更大的参数图景的实验。作者相信这将被很好地应用于如成像等高维结构领域。

文献链接：Multiparameter optimisation of a magneto-optical trap using deep learning（Nat. Commun.,2018,DOI: 10.1038/s41467-018-06847-1）

本文由材料人计算材料组Isobel供稿，材料牛整理编辑。

欢迎大家到材料人宣传科技成果并对文献进行深入解读，投稿邮箱tougao@cailiaoren.com。

投稿以及内容合作可加编辑微信：cailiaokefu