原子干涉模拟

实验参数的优化调整在冷原子实验中是最基础且最重要的工作,优良实验结 果 的 获 得 离 不 开 实 验 参 数 的 不 断优化。提出了一种基于人工神经网络的超冷原子实验多参数自主优化方案。 首 先,详 细 介 绍 了 神 经 网 络 结 构 的 设置、自优化的学习策略。然后,将神经网络与全局最 优 化 模 拟 退 火 算 法 相 结 合 搭 建 了 相 应 的 多 参 数 自 主 优 化 系 统。最后,进行了利用直接蒙特卡罗模拟方法模拟磁 光 阱 中 冷 原 子 动 力 学 行 为 的 实 验 ,对 所 提 系 统 的 性 能 进 行 了 验证。实验结果表明,经过约30h的优化迭代,所提方案有效完 成 了 对 冷 原 子 动 力 学 行 为 实 验 系 统 输 入 参 数 的 优 化 ,并 得 到 了 一 个 稳 定 、有 效 且 最 优 的 实 验 结 果 。

Optimization and tuning of experimental parameters represented the most fundamental and critical work in cold atom experiments, as obtaining high-quality experimental results relied on continuous refinement of these parameters. We proposed a multi-parameter autonomous optimization scheme for ultra-cold atom experiments based on artificial neural networks. First, we elaborated on the configuration of the neural network architecture and the learning strategy for autonomous optimization. Then, we combined the neural network with the simulated annealing algorithm for global optimization to construct a corresponding multi-parameter autonomous optimization system. Finally, we conducted experiments using the direct Monte Carlo simulation method to model the dynamic behavior of cold atoms in a magneto-optical trap, and verified the performance of the proposed system. Experimental results demonstrated that after approximately 30 hours of optimization iterations, the proposed scheme successfully completed the optimization of the input parameters of the experimental system for investigating the dynamic behavior of cold atoms, and yielded a stable, effective and optimal experimental outcome.

搜集汇总

背景与挑战

背景概述

该数据集聚焦于冷原子实验中的参数优化问题，提出了一种结合人工神经网络与模拟退火算法的多参数自主优化方案。通过蒙特卡罗模拟验证，系统在约30小时内有效优化了实验参数，获得了稳定且最优的冷原子动力学行为结果。