Российская команда физиков изучила механизм образования бозе-эйнштейновского конденсата в оптической дипольной ловушке на длине волны 1064 нм. Для повышения эффективности испарительного охлаждения они задействовали методы машинного обучения. Исследование опубликовано в журнале Physical Review A.
В этом году Нобелевские премии по физике и химии присуждены за работы с применением машинного обучения, что подчёркивает растущую роль ИИ-методов в естественных науках. Сегодня многие открытия в области квантовых систем достигаются благодаря алгоритмам машинного обучения.
Одно из ключевых направлений современных исследований — изучение бозе-эйнштейновского конденсата (БЭК). Такие квантовые фазы применяют для создания атомных лазеров, высокочувствительных сенсоров и потенциально — в квантовых вычислениях. В новом исследовании учёным из РКЦ, МФТИ, ФИАН им. П. Н. Лебедева и МГТУ им. Н. Э. Баумана удалось увеличить число атомов в стабильном конденсате и детально проследить процесс его образования, используя байесовскую оптимизацию для максимизации отдачи испарительного охлаждения.
«Благодаря алгоритмам машинного обучения мы подобрали оптимальные параметры эксперимента и открыли новые горизонты в исследовании квантовых систем, — Алексей Акимов, д. ф.-м. н., руководитель лаборатории квантовых симуляторов и интегрированной фотоники РКЦ.
В ловушке холодных атомов тулия происходят разные взаимодействия, приводящие к потере частиц и изменению температуры. Трёхчастичная рекомбинация образует два связанных атома, которые покидают систему, снижая число частиц в конденсате. Ранее измеренный спектр резонансов Фешбаха и байесовская оптимизация испарительного охлаждения помогли минимизировать этот эффект и увеличить выход атомов в конденсате.
После предварительного лазерного охлаждения в магнито-оптической ловушке до ~20 мкК атомы перегружали в дипольную ловушку, сформированную двумя перекрещивающимися лучами на 1064 нм.
Дальнейшее охлаждение осуществлялось путём плавного уменьшения мощностей лазеров, что аналогично тому, как ветер уносит самые быстрые молекулы при охлаждении тела в жару: частицы с наибольшей энергией покидают ловушку, понижая температуру оставшихся.
Варьируя мощность лазеров и продолжительность испарения, можно контролировать число оставшихся атомов в конденсате. Классическими методами оптимизировать эту зависимость сложно, поэтому учёные применили байесовскую оптимизацию и обнаружили, что при заданных параметрах число атомов в субкритической фазе растёт, но достигает плато. Учёные предположили, что трёхчастичные столкновения ограничивают максимальное число частиц и, изменяя магнитное поле по данным резонансов Фешбаха, смогли минимизировать этот эффект.
«Методы машинного обучения позволили не только оптимизировать эксперимент, но и выявить физические ограничения процесса, — Давлет Кумпилов, аспирант РКЦ МФТИ.
Полученные результаты демонстрируют потенциал ИИ-технологий и важность глубокого понимания физики при разработке квантовых симуляций. Исследование открывает перспективы для применения в материаловедении и фундаментальной физике.
