基于光纳米纤维的冷^{87}Rb原子偶极阱的机器学习器优化

在用于冷碱金属原子的双色光纳米纤维偶极阱中，阱效率取决于倏逝场中光的波长和强度，以及初始激光冷却过程。通常每个囚禁位点最多只能囚禁一个原子。提高囚禁效率可增加被填充的囚禁位点数量，从而提高光学深度。在此，我们报道了在环路内随机人工神经网络机器学习器的实现，通过优化近共振、纳米纤维导波探测光束的吸收，在未补偿的双色倏逝场偶极阱中囚禁^{87}Rb原子。通过让神经网络控制激光冷却过程，我们观察到偶极囚禁原子数量增加了约50%，其平均温度从150 μK小幅降至140 μK，峰值光学深度增加了70%。该机器学习器能够快速有效地探索激光冷却控制的大参数空间，以找到加载偶极阱的最优参数。原子数量的增加应有助于研究通过倏逝场介导的集体原子-光相互作用。