利用神经网络分析量子系统相关实验数据的方法技术方案

本发明专利技术提出了一种在电子设备上利用神经网络分析量子系统相关实验数据的方法。该方法包括:根据实验数据生成训练数据集；对所述训练数据集执行一个或多个过滤操作，以生成分别与所述过滤操作对应的一个或多个已过滤训练数据集；通过输入原始和已过滤训练数据集训练第一神经网络和第二神经网络；对第一神经网络和第二神经网络进行评价；获得第一神经网络和第二神经网络的一个或多个分类精度；识别分类精度对之间的差异；并根据不同的差异确定每一个过滤操作保留或删除的每一个信息的影响程度。度。度。

【技术实现步骤摘要】
利用神经网络分析量子系统相关实验数据的方法


[0001]本专利技术涉及分析与量子系统相关的实验数据，更具体地说，涉及一种方法和装置，用于对量子系统中的粒子(例如SU(N)费米子)进行分类，并通过使用神经网络对这些粒子的实验数据进行图像分析，从这些粒子的密度分布探索热力学。

技术介绍

[0002]显着影响(Pronounced effects)包括原子序数和逸度(fugacity)，它们可以从简单的分析中被提取出来，甚至可以用人眼来区分。不显着影响(Less
‑
pronounced effects)包括可压缩性(compressibility)和谭接触(Tan's contact)，这是传统方法难以提取的。虽然不太明显的影响很难提取，但它们是非常重要的物理性质。谭接触是一个中心量，它支配着许多物理观测，如动量分布、能量、压力和各种光谱。费米子中的原子数涨落/压缩率也是反映泡利不兼容原理(Pauli exclusion principle)的一个关键量。
[0003]换句话说，对于精通这门艺术的人来说，研究如何有效地探测与本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种由电子器件利用神经网络分析量子系统相关实验数据的计算机实现方法，其特征在于，包括：根据实验数据生成训练数据集；对训练数据集执行一个或多个过滤操作，以生成一个或多个分别对应于所述过滤操作的已过滤训练数据集；将所述训练数据集输入到所述第一神经网络中以训练第一神经网络；将所述已过滤训练数据集输入到第二神经网络以训练第二神经网络；将测试数据集输入到已训练第一神经网络中，得到所述已训练第一神经网络的标准分类精度，其中所述测试数据集由另一实验数据所生成；对所述测试数据集执行一个或多个过滤操作，以生成一个或多个已过滤测试数据集；将所述已过滤测试数据集输入到所述已训练第一神经网络中，获得与所述已过滤测试数据集分别对应的一个或多个第一分类精度；将所述已过滤测试数据集输入已训练第二神经网络，获得与所述已过滤测试数据集分别对应的一个或多个第二分类精度；识别第一对的所述标准分类精度与第一分类精度之间的差值、第二对的所述标准分类精度与所述第二分类精度之间的差值、第三对的所述第一分类精度与所述第二分类精度之间的差值；以及根据不同的差值来判断每一个过滤操作所保留或删除的信息的影响程度，其中影响程度越高的信息对所述第一神经网络和所述第二神经网络的精度的影响越大，从而在未来生成实验数据的同时，保留一个或多个影响程度较高的信息，去除一个或多个影响程度较低的信息，从而提高神经网络分类操作的效率和准确性。2.根据权利要求1所述的方法，其特征在于，其中所述第一神经网络或所述第二神经网络的每一个包括：输入层，其中所述训练数据集、所述已过滤训练数据集、所述测试数据集和所述已过滤测试数据集的实验图像通过所述输入层输入到所述第一神经网络或所述第二神经网络；卷积层，连接自所述输入层，由24个不同的核组成，其中每个核的大小设为24，每个核的步幅设为1；激活函数层，连接自所述卷积层，所述激活函数层的激活函数为ReLU函数；平均池化层，连接自激活函数层，池化区域的大小为2x2，所述池化区域的步幅为1；丢失层，连接自所述平均池化层，丢失百分比为50％；全连接层，连接自所述丢失层，由4个神经元组成；另一激活函数层，连接自所述全连接层，所述另一激活函数层的激活函数为Softmax函数；以及输出层，其中输出层输出所预测的分类结果。3.根据权利要求2所述的方法，其特征在于，其中每个实验图像都是在SU(N)费米子上进行飞行时间(TOF)实验产生的图像，其中：实验图像的尺寸为201x201像素，以及所预测分类结果包括以下类别之一:SU(1)、SU(2)、SU(5)和SU(6)，并输出所输出类别的概率。
4.根据权利要求1所述的方法，其特征在于，其中所述过滤操作包括：分区图像操作；径向平均图像操作；费米
‑
狄拉克拟合分布操作；高斯拟合分布操作；低动量掩模操作；以及高动量掩模操作。5.根据权利要求4所述的方法，其特征在于，其中，每个训练数据集、已过滤训练数据集、测试数据集和已过滤测试数据集分别包含一个或多个实验图像和一个或多个与所述实验图像对应的标签，其中每个标签表示相应实验图像所属的类，该方法进一步包括：在所述费米
‑
狄拉克拟合分布剖面操作或所述高斯拟合分布操作中，除拟合参数外的任何信息都被去除；在所述径向平均图像处理中，去除了方位密度波动信息，同时也去除了大部分高动量信息；在所述低动量掩模操作中，去除位于低动量区域的信息，其中中心掩模从实验图像的中心覆盖到一个截止圆，该截止圆具有预定的截止动量半径k
c
，其中所述实验图像的中心的原子密度最大；在所述高动量掩模操作中，去除位于高动量区域的信息，其中边缘掩模从实验图像的边缘覆盖到该截止圆；以及在所述分区图像操作中，将密度涨落信息部分地去除。6.根据权利要求5所述的方法，其特征在于，更包括：在所述低动量掩模操作中，将所述中心掩模替换为伪图像，所述伪图像是经由对所述实验图像所对应的数据集内的所有实验图像的中心掩模区域图像进行平均所生成的；以及在所述高动量掩模操作中，将所述边缘掩模替换为另一伪图像，其中所述另一伪图像是经由对所述实验图像所对应的数据集内的所有实验图像的边缘掩模区域图像进行平均所生成的。7.根据权利要求1所述的方法，其特征在于，其中所述实验数据由以下步骤制备：在光阱中分别制备具有预定N值的简并SU(N)费米气体，其中N＝1,2,5,6；以及将经过飞行时间膨胀后的简并SU(N)费米气体的自旋不敏感吸收图像作为实验图像，以记录所述简并SU(N)费米气体的密度分布，其中每个实验图像通过每个实验图像的所述密度分布显示原子的动量分布。8.根据权利要求7所述的方法，其特征在于，其中，根据实验数据生成所述训练数据集的步骤包括：针对所述实验数据的每个实验图像，识别与所述实验图像相对应的简并SU(N)费米气体的N值；根据所识别的N值对所拍摄的实验图像生成标签；以及将所生成标签和所拍摄实验图像集成到所述训练数据集。9.根据权利要求8所述的方法，其特征在于，其中，每个实验图像的所述密度分布包含了所述简并SU(N)费米气体的动量
‑
空间信息，而所述动量
‑
空间信息则反映了包括谭接触
和可压缩性在内的热力学可观测值，从而根据所述热力学可观测值预测每个简并SU(N)费米气体的自旋多重数。10.根据权利要求9所述的方法，其特征在于，更包括：根据所确定每一信息的所述影响程度，确定各过滤操作所保留或所删除的每一信息与所述热力学观测值之间的相关性。11.一种利用神经网络分析量子系统的相关实验数据的电子装置，其特征在于，包括：数据通信电路，被配置为从实验装置接收实...

【专利技术属性】
技术研发人员：曹圭鹏，刘军伟，赵恩彤，何成东，任泽剑，埃尔努尔，
申请(专利权)人：香港科技大学，
类型：发明
国别省市：