[論文レビュー] Optimized observable readout from single-shot images of ultracold atoms via machine learning

Axel U. J. Lode, Rui Lin+7 more|arXiv (Cornell University)|Jan 1, 2021

Cold Atom Physics and Bose-Einstein Condensates参考文献 130被引用数 16

ひとこと要約

本論文では、標準的な平均化手法よりもはるかに高い精度で、超冷却原子の1ショット画像から1体および2体密度、運動量空間の物理量、相関関数を抽出するために、人工ニューラルネットワーク（ANNs）の使用を提案している。主な貢献は、ANNsが実空間画像と運動量空間画像の間で信頼性高く再構成を可能にし、実験的再設定の必要性を排除するとともに、必要な画像数を著しく削減できることにある。

ABSTRACT

Single-shot images are the standard readout of experiments with ultracold atoms, the imperfect reflection of their many-body physics. The efficient extraction of observables from single-shot images is thus crucial. Here we demonstrate how artificial neural networks can optimize this extraction. In contrast to standard averaging approaches, machine learning allows both one- and two-particle densities to be accurately obtained from a drastically reduced number of single-shot images. Quantum fluctuations and correlations are directly harnessed to obtain physical observables for bosons in a tilted double-well potential at an extreme accuracy. Strikingly, machine learning also enables a reliable extraction of momentum-space observables from real-space single-shot images and vice versa. With this technique, the reconfiguration of the experimental setup between in situ and time-of-flight imaging is required only once to obtain training data, thus potentially granting an outstanding reduction in resources.

研究の動機と目的

• 超冷却原子の1ショット画像から物理量を抽出する際の標準的平均化手法の非効率性を克服すること。
• 最小限の画像データから1体および2体密度、相関関数を最適に再構成する機械学習フレームワークの開発。
• ANNsが実空間の1ショット画像から運動量空間の物理量（ρ(k)やρ(2)(k,k′)）を抽出できること、逆に運動量空間の画像から実空間の物理量を再構成できることを示し、別々の実験的画像取得装置の必要性を回避すること。
• 量子シミュレータにおけるニューラルネットワークベースの物理量読み出しを可能にする汎用的・オープンソースのツールキット（UNIQORN）の確立。

提案手法

• 傾き付き二重井戸ポテンシャル内のNボソン系のシミュレートされた1ショット画像で、人工ニューラルネットワーク（ANNs）を訓練した。
• 入力として1ショット画像を受け取り、1体および2体密度を予測するため、教師あり回帰を用いたANNsの使用。
• 空間相関を扱い、生の画像データから物理的物理量を抽出できるように、畳み込み層および全結合層を組み合わせたネットワーク構造を設計。
• 一般化を確保するため、パラメータ（h, σ, g, α, N）をランダム化した3,000個の基底状態波動関数からなる多様なデータセットを活用。
• TensorFlowを基盤として構築されたオープンソースのツールキットUNIQORNを用いて、柔軟かつ再現可能な物理量推論を実装。
• 異なる数の1ショット画像（Ns）を用いた場合に、ANNの予測値を正確な理論値および標準的平均化結果と比較することで、性能を検証。

実験結果

リサーチクエスチョン

• RQ1 人工ニューラルネットワークは、超冷却原子の1ショット画像から1体および2体密度を抽出する際、標準的平均化手法を上回る性能を示せるか？
• RQ2 ANNsは、飛行時間測定を要しないで、実空間の1ショット画像から運動量空間の物理量（ρ(k)やρ(2)(k,k′)）を再構成できるか？
• RQ3 ANNsは、運動量空間の1ショット画像から実空間の物理量（ρ(x)やρ(2)(x,x′)）を高精度に推定できるか？
• RQ4 ANNsが標準的平均化と同等またはそれ以上の精度に達するには、何枚の1ショット画像が必要か？
• RQ5 同じANNモデルが、断片化状態および凝縮状態を含む多様な物理的状態においても、信頼性高く物理量を抽出できるか？

主な発見

• ANNsは、10枚の1ショット画像ですら、標準的平均化よりもはるかに高い精度で1体および2体密度を再構成した。
• ANNベースの手法により、同じ精度に到達するための画像枚数を、標準的平均化と比較して最大100倍まで削減できた。
• ANNsは、実空間の1ショット画像から運動量空間の物理量（ρ(k), ρ(2)(k,k′)）を高い忠実度で再構成でき、飛行時間測定の必要性を排除した。
• 逆方向の再構成（運動量空間画像から実空間物理量の推定）は、約200枚の画像を用いることで、標準的平均化と同等の精度に達した。
• Ns ≈ 200の条件下で、運動量空間画像からのANNベースの推論が、実空間画像からの従来の平均化手法と同等の精度を達成した。
• 本手法は、断片化状態および凝縮状態を含む多様な物理的状態においても、強靭性を示し、一般化の有効性を確認した。