基于机器学习从超冷原子单帧图像中优化可观测量读出
量子气体
2021-10-13 v1 量子物理
摘要
单帧图像是用超冷原子进行实验的标准读出方式——这是观测其多体物理的模糊透镜。因此，从单帧图像中高效提取可观测量至关重要。在此，我们展示了人工神经网络如何优化这一提取过程。与标准平均方法不同，机器学习允许从大幅减少的单帧图像数量中准确获得单粒子和双粒子密度。量子涨落与关联被直接利用，以空前精度获得倾斜双势阱中玻色子的物理可观测量。引人注目的是，机器学习还能够从实空间单帧图像中可靠提取动量空间可观测量，反之亦然。这免去了在原位成像与飞行时间成像之间重新配置实验装置的需要，从而可能显著减少资源消耗。
引用
@article{arxiv.2010.14510,
title = {Optimized Observable Readout from Single-shot Images of Ultracold Atoms via Machine Learning},
author = {Axel U. J. Lode and Rui Lin and Miriam Büttner and Luca Papariello and Camille Lévêque and R. Chitra and Marios C. Tsatsos and Dieter Jaksch and Paolo Molignini},
journal= {arXiv preprint arXiv:2010.14510},
year = {2021}
}
备注
7+8 pages, 3+8 figures, software available at http://ultracold.org