Nat. Commun.: 使用深度學習進行磁光阱多參數最優化

【引言】

基于人工神經網絡的機器學習已經成為一種有效的學習方法，可用于開發復雜系統的經驗模型。在世界各地的實驗室里，冷原子團已是司空見慣，然而，多體相互作用產生了復雜的動力學，從而對其進行冷卻和俘獲過程的精確分析優化難以實現。最普遍的冷原子系統是磁光阱，其熱原子是從周圍的熱蒸汽中收集到阱中的。

【成果簡介】

近日，澳大利亞國立大學的B.C. Buchler教授（通訊作者）團隊在Nature Communication上發表了題為“Multiparameter optimisation of a magneto-optical trap using deep learning”的文章。作者實現了一個深度人工神經網絡來優化磁光中性原子團的冷卻和俘獲。機器學習得到的解決方案與目前使用的平滑變化的絕熱解完全不同。盡管如此，本文所得解會產生更高的光學密度。

【圖文導讀】

圖1：光學深度(optical depth)的網絡優化示意圖。

圖2：隨機人工神經網絡(SANN)優化得到的實驗結果。

(a)利用單斜坡對磁場和再泵頻率進行人工優化壓縮階段；

(b)126個訓練樣本運行后，隨機人工神經網絡所得和最優解匯聚；

(c)通過減小傳輸探頭面積，盡量增大共振光學深度，生成了63個離散參數的SANN解；

(d)去諧范圍對應530±8和970±20的人為和SANN優化系綜的光學深度測量；

(e)人為和SANN優化原子系綜的吸收圖像。

圖3：實驗運行和附加解。

(a)一個典型的實驗運行包含四個步驟用以產生原子云；

(b)SANN發現的附加次優化參數設置。

圖4：成本圖景(cost landscape)和收斂性預測了模型在參數空間探索后產生的成本圖景截面。

(a)各參數的已知最優值；

(b)每個一維切片樣品是通過在一定范圍內獨立改變每個參數，同時保持其他參數已知最優值不變；

(c)通過觀察測得和預測成本得到匯聚模型。

【小結】

通過實驗作者發現，所得解對實驗的常規波動足夠穩健，保持它們的相對有效性。總的來說，研究者受限于實驗工作周期，而如果隨機人工神經網絡能支持更高的工作周期，也可以用于具有數量更大的參數圖景的實驗。作者相信這將被很好地應用于如成像等高維結構領域。

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

本文由材料人計算材料組Isobel供稿，材料牛整理編輯。

歡迎大家到材料人宣傳科技成果并對文獻進行深入解讀，投稿郵箱tougao@cailiaoren.com。

投稿以及內容合作可加編輯微信：cailiaokefu