超冷原子实验的快速机器学习在线优化
量子物理
2016-05-17 v2
摘要
通过机器学习设计的复杂设备或实验控制可以发现优于简化模型所推导的策略。我们描述了一种基于高斯过程的在线优化算法，并将其应用于玻色-爱因斯坦凝聚体（BEC）制备的优化。BEC通常通过指数蒸发斜坡产生，该斜坡对于s波、各态历经动力学、两体相互作用且无其他损失率的情况近似最优，但对许多实际实验可能并非最优。相比之下，使用高斯过程的机器学习建立了其所控制参数与所产生BEC质量之间关系的统计模型。这是一个在线过程，也是一个主动过程，因为高斯过程模型会根据每次后续实验进行更新，并据此提出一组新的参数。我们证明，高斯过程机器学习器能够发现一个斜坡，以比先前使用的在线优化技术少10倍的迭代次数产生高质量BEC。此外，我们表明，所建立的内部模型可用于确定哪些参数在BEC制备中至关重要，哪些无关紧要，从而为优化过程提供洞见。
引用
@article{arxiv.1507.04964,
title = {Fast machine-learning online optimization of ultra-cold-atom experiments},
author = {P. B. Wigley and P. J. Everitt and A. van den Hengel and J. W. Bastian and M. A. Sooriyabandara and G. D. McDonald and K. S. Hardman and C. D. Quinlivan and P. Manju and C. C. N. Kuhn and I. R. Petersen and A. Luiten and J. J. Hope and N. P. Robins and M. R. Hush},
journal= {arXiv preprint arXiv:1507.04964},
year = {2016}
}
备注
6 pages, 4 figures