基于自适应协作相关学习的半监督多标签特征选择
机器学习
2025-10-10 v4
摘要
我们研究了被束缚于谐挠势阱阵列中的超冷原子气体动力学，原子与玻色-爱因斯坦气体(BEC)相互作用，后者作为玻克洛夫激发能量宏观激发态的浴。这些被束缚的超冷原子的基态和激发能级通过具有相应拉比频率的脱域拉曼激光相互耦合。当被拉曼激光激发后，这些被束缚的超冷原子随后通过发射玻克洛夫激发态进入BEC中，返回其基态能级，但不一定返回其原始的势阱位置。通过拉曼激光驱动激发能级并通过与BEC相互作用导致玻克洛夫激发态发射进入BEC的这种组合，使得被束缚的超冷原子趋于稳定态，即使被束缚于阵列中每个谐挠势阱中的超冷原子数期望值随时间保持恒定。可以利用该系统准备需要特定能级中具有确定原子数的态，例如用于原子干涉仪和测试量子力学基础的BEC和原子激光器。
关键词
引用
@article{arxiv.2406.12193,
title = {Adaptive Collaborative Correlation Learning-based Semi-Supervised Multi-Label Feature Selection},
author = {Li Yang and Yanyong Huang and Dongjie Wang and Ke Li and Xiuwen Yi and Fengmao Lv and Tianrui Li},
journal= {arXiv preprint arXiv:2406.12193},
year = {2025}
}