利用神经网络对一维玻色气体进行测温

我们设计了一个神经网络，用于从准凝聚态区一维玻色气体的吸收成像中提取并处理特征。具体而言，该网络经训练可预测系统单次实现的温度及其不确定性。对于多次实现，可将各次预测合并为平均温度的估计，从而提高精度。我们在模拟与实验测量数据上对所提模型进行基准测试，并与成熟的密度涟漪测温法进行比较。我们发现两种方法预测结果一致，但神经网络仅需少得多的实现次数即可达到相似精度，从而凸显了在冷气体实验数据分析中引入神经网络所带来的效率提升。进一步，我们研究特征图以揭示网络提取了凝聚态的哪些局部特征，以及这些特征如何与系统性质相关联。类似分析可用于揭示更复杂系统中的物理关系。