一种应用机器学习优化超冷原子蒸发冷却参数的方法技术

本发明专利技术公开了一种应用机器学习优化超冷原子蒸发冷却参数的方法，具体包括以下步骤：S1、任取20组控制参数即20条初始曲线，通过实际实验测量每组曲线对应的玻色冷凝物的无量纲光密度(OD),把他们的参数作为初始训练集；S2、设计一个神经网络，用初始数据集对其进行训练，由于训练集的数据量很小，训练结果会取决于神经网络的初始化，我们需要运行多组初始化，并选择对20组曲线中最优的5组曲线，预测最准确的初始化；本发明专利技术涉及超冷原子量子计算技术领域。该应用机器学习优化超冷原子蒸发冷却参数的方法，通过使用合适的约束条件对大型数据集的参数进行挑选，从而保证了所选参数的实验可行性，最大限度地排除了无效参数。最大限度地排除了无效参数。最大限度地排除了无效参数。

【技术实现步骤摘要】
一种应用机器学习优化超冷原子蒸发冷却参数的方法


[0001]本专利技术涉及超冷原子量子计算
，具体为一种应用机器学习优化超冷原子蒸发冷却参数的方法。

技术介绍

[0002]超冷原子蒸发冷却是一种通用的方案，可以使冷的玻色和费米原子气体达到量子简并性，为实验研究高温超导、强相互作用以及高精度测量提供理想平台，因此得到广泛的重视。
[0003]蒸发冷却参数优化作为超冷原子蒸发冷却实验中的一个关键环节，对实验效果有着巨大的影响，目前存在理论计算的理想模型来描述这个过程，但理想模型只考虑了弹性碰撞，而没有考虑非弹性碰撞，通过理论计算得到的最优参数会过度简化动力学并遗漏更复杂和有效的蒸发方法，蒸发冷却的实际情况十分复杂，很难从理论上确定一个可靠的函数，需要通过神经网络，直接拟合控制参数和控制目标之间的关系，从而进行优化。
[0004]目前有研究组提出用主动学习的方式来优化复杂实验控制参数的方法，他们优化的是一条陷阱深度随时间变化的曲线，但一般的ODT系统有多组曲线需要优化，其次用主动学习的方式需要对控制参数在参数空间内进行大量采样，直接进行采样获得的大量控制参数无法在实际实验中运行，是无效，因此有必要提出一种技术手段，可以优化多组曲线并对采样参数进行选择，在从实验中获得的标记数据并不丰富的情下，获得最佳的控制参数。

技术实现思路

[0005](一)解决的技术问题
[0006]针对现有技术的不足，本专利技术提供了一种应用机器学习优化超冷原子蒸发冷却参数的方法，解决了难以对ODT系统的多组曲线进行优化且通过直接采样获得的大量控制参数无法在实际实验中运行的问题。
[0007](二)技术方案
[0008]为实现以上目的，本专利技术通过以下技术方案予以实现：一种应用机器学习优化超冷原子蒸发冷却参数的方法，具体包括以下步骤：
[0009]S1、任取20组控制参数即20条初始曲线，通过实际实验测量每组曲线对应的玻色冷凝物的无量纲光密度(OD),把他们的参数作为初始训练集；
[0010]S2、设计一个神经网络，用初始数据集对其进行训练，由于训练集的数据量很小，训练结果会取决于神经网络的初始化，我们需要运行多组初始化，并选择对20组曲线中最优的5组曲线，预测最准确的初始化；
[0011]S3、使用训练后的神经网络对有8个控制参数的超大型数据集(几十万个)进行预测，这个超大型数据集是通过采样获得的，同时采用两种不同的概率分布，一部分用随机采样，一部分用高斯采样，采样时需加上合适的约束条件，确保所采参数可以进行实验；
[0012]S4、从步骤S3所有控制参数(几十万)中选择20组控制参数，并且这些20组控制参
数具有神经网络预测的最佳OD；
[0013]S5、对步骤S4所选的20组参数进行实验测量，并将实际数据加入训练数据集中，这样就形成了一个从步骤S2到步骤S5的闭环，通过多次循环，使神经网络的预测值和实际测量值收敛到极值附近。
[0014]优选的，所述冷原子的蒸发冷却实验是由两条曲线控制的，实验上利用模拟信号的大小来控制ODT的功率通过固定初始电压V0和截止电压Vend，逐步降低ODT功率，从而得到两条功率随时间变化的曲线，优化的目标是找到两条曲线使最后得到的OD尽可能大。
[0015]优选的，所述蒸发冷却控制曲线用分段函数的形式定义：当t<t0时：V＝V0，当t≥t0时：其中V0是初始电压，t
f
是总时间，而要优化的控制参数是t0,a1,b1,a2，两条控制曲线共有八个参数需要优化。
[0016]优选的，所述步骤S2中神经网络的结构为1个隐藏层，16个神经元。
[0017]优选的，所述步骤S3中约束条件具体为：当函数对t的一阶导数在范围内小于等于0，并且时，函数值小于V0。
[0018]优选的，所述步骤S5中多次循环是指进行10次从步骤S2到步骤S5的循环优化，神经网络的预测值和实际测量结果一致是指，从步骤4所选的20组参数中，对于其中预测OD最大的五组参数，他们的预测值和实际测量结果的误差足够小即可,定义如下：
[0019](三)有益效果
[0020]本专利技术提供了一种应用机器学习优化超冷原子蒸发冷却参数的方法。具备以下有益效果：
[0021](1)、该应用机器学习优化超冷原子蒸发冷却参数的方法，通过使用合适的约束条件对大型数据集的参数进行挑选，从而保证了所选参数的实验可行性，最大限度地排除了无效参数。
[0022](2)、该应用机器学习优化超冷原子蒸发冷却参数的方法，不仅可以对冷原子蒸发冷却参数进行优化，还可以适用于控制方式类似的物理实验，即实验由一个或多个向下凹的曲线控制，有较广的适用面。
[0023](2)、该应用机器学习优化超冷原子蒸发冷却参数的方法，操作简单，总共只需进行一两百次实验即可找到最佳控制参数，完成优化。
附图说明
[0024]图1为本专利技术的流程示意图。
具体实施方式
[0025]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他
实施例，都属于本专利技术保护的范围。
[0026]请参阅图1，本专利技术实施例提供一种技术方案：一种应用机器学习优化超冷原子蒸发冷却参数的方法，实验过程是基于装载在一对交叉的光偶极阱(ODT)中的原子，通过不断降低光学偶极阱的阱深，将热原子强制蒸发，直至达到BEC，实验中两束ODT激光的功率由比例积分电路(PID)控制，通过改变输入电压分别控制两束ODT激光的功率从而降低ODT的阱深，利用机器学习，通过神经网络拟合蒸发冷却过程中的输入电压和玻色爱因斯坦凝聚体(BEC)的无量纲光学厚度(OD)之间的函数关系，对满足约束条件的控制参数进行预测，并进行实际实验，不断对神经网络进行训练，在进行少量实验测量的情况下得到最佳控制参数，具体包括以下步骤：
[0027]S1、任取20组控制参数即20条初始曲线，通过实际实验测量每组曲线对应的玻色冷凝物的无量纲光密度(OD),把他们的参数作为初始训练集；
[0028]S2、设计一个神经网络，用初始数据集对其进行训练，由于训练集的数据量很小，训练结果会取决于神经网络的初始化，我们需要运行多组初始化，并选择对20组曲线中最优的5组曲线，预测最准确的初始化；
[0029]S3、使用训练后的神经网络对有8个控制参数的超大型数据集(几十万个)进行预测，这个超大型数据集是通过采样获得的，同时采用两种不同的概率分布，一部分用随机采样，一部分用高斯采样，采样时需加上合适的约束条件，确保所采参数可以进行实验；
[0030]S4、从步骤S3所有控制参数(几十万)中选择20组控制参数，并且这些20组控制参数具有神经网络预测的最佳OD；
[0031]S5、对步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用机器学习优化超冷原子蒸发冷却参数的方法，其特征在于：具体包括以下步骤：S1、任取20组控制参数即20条初始曲线，通过实际实验测量每组曲线对应的玻色冷凝物的无量纲光密度(OD),把他们的参数作为初始训练集；S2、设计一个神经网络，用初始数据集对其进行训练，由于训练集的数据量很小，训练结果会取决于神经网络的初始化，我们需要运行多组初始化，并选择对20组曲线中最优的5组曲线，预测最准确的初始化；S3、使用训练后的神经网络对有8个控制参数的超大型数据集(几十万个)进行预测，这个超大型数据集是通过采样获得的，同时采用两种不同的概率分布，一部分用随机采样，一部分用高斯采样，采样时需加上合适的约束条件，确保所采参数可以进行实验；S4、从步骤S3所有控制参数(几十万)中选择20组控制参数，并且这些20组控制参数具有神经网络预测的最佳OD；S5、对步骤S4所选的20组参数进行实验测量，并将实际数据加入训练数据集中，这样就形成了一个从步骤S2到步骤S5的闭环，通过多次循环，使神经网络的预测值和实际测量值收敛到极值附近。2.根据权利要求1所述的一种应用机器学习优化超冷原子蒸发冷却参数的方法，其特征在于：所述冷原子的蒸发冷却实验是由两条曲线控制的，实验上利用模拟信号的大小来控制ODT的功率通...

【专利技术属性】
技术研发人员：那一麟，林芳州，
申请(专利权)人：那一麟，
类型：发明
国别省市：