Thermometry of simulated Bose–Einstein condensates using machine learning
Jack Griffiths and Steven A. Wrathmall and Simon A. Gardiner
由于传统测量技术的破坏性和固有的实验不确定性,超冷Bose气体中热力学参数的精确测定仍然具有挑战性。 我们展示了一种人工智能方法,用于快速,无损地估计有限温度Bose气体的单次现场成像密度剖面的化学电位和温度。 我们的卷积神经网络仅对准-2D“煎饼”冷凝物进行谐波陷阱配置的训练。 它在一秒钟的分数内实现参数提取。 该模型还演示了在陷阱几何和热化动力学中的零射力,成功地估计了躰蜰捕获凝结物的热力学参数,尽管在训练过程中没有事先接触过这种几何形状,但在相对短暂的进化后,在动态热化过程中保持预测精度,而没有对非平衡状态进行明确的训练。 这些结果表明,监督学习可以克服超冷原子温度测量的传统限制,扩展到更广泛的几何配置,温度范围和附加参数,可能实现量子气体实验的全面实时分析。 这种能力可以显著简化实验工作流程,同时提高一系列量子流体系统的测量精度。
Precise determination of thermodynamic parameters in ultracold Bose gases remains challenging due to the destructive nature of conventional measurement techniques and inherent experimental uncertainties. We demonstrate a machine learning approach for rapid, non-destructive estimation of the chemical potential and temperature from a single image of an in situ imaged density profiles of finite-temperature Bose gases. Our convolutional neural network is trained exclusively on quasi-2D `pancake' con...