Машинное обучение оптимизировало экзотическую квантовую материю

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.

Источник