超冷原子实验中的强化学习
摘要：冷原子陷阱在科学和技术的许多量子应用中起着关键作用。原子云的制备和控制涉及复杂的优化过程，可以通过机器学习来支持和加速。在这项工作中，我们引入强化学习到冷原子实验中，并展示了一种灵活和自适应的方法来控制磁光陷阱。与按照一组预定规则完成特定任务不同，目标是由奖励函数定义的。这种方法不仅可以像实验者一样优化原子的冷却，还可以实现新的操作模式，例如在云中准备预定数量的原子。机器控制经过训练具有对外部扰动的鲁棒性，并能够对训练过程中未见过的情况做出反应。最后，我们展示了耗时的训练可以在基于模拟进行，在真实世界的实验中成功转化。
作者：Malte Reinschmidt, J''ozsef Fort''agh, Andreas G"unther, and Valentin Volchkov
论文ID：2306.16764
分类：Quantum Gases
分类简称：cond-mat.quant-gas
提交时间：2023-06-30