[论文解读] 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 16

一句话总结

本文提出使用人工神经网络（ANNs）从超冷原子的单次测量图像中提取一阶和二阶密度、动量空间可观测量以及关联函数，其精度远超标准平均方法。关键贡献在于，ANNs 能够实现从实空间图像到动量空间可观测量的可靠重建，反之亦然，从而无需实验配置调整，大幅减少所需图像数量。

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.

研究动机与目标

• 解决标准平均方法在从超冷原子单次测量图像中提取可观测量时效率低下的问题。
• 开发一种机器学习框架，以最少的图像数据最优地重建一阶和二阶密度及关联函数。
• 证明 ANNs 能够从实空间单次测量图像中提取动量空间可观测量（如 ρ(k) 和 ρ(2)(k,k′)），反之亦然，从而避免对独立实验成像设置的需求。
• 建立一个通用、开源的工具包（UNIQORN），用于量子模拟器中基于神经网络的可观测量读出。

提出的方法

• 在倾斜双阱势中 N 任意子系统的模拟单次测量图像上训练人工神经网络（ANNs）。
• 采用监督回归方法，利用 ANNs 从单次测量图像作为输入，预测一阶和二阶密度。
• 设计包含卷积层和全连接层的 ANNs，以处理空间关联性，并从原始图像数据中提取物理可观测量。
• 利用包含 3,000 个基态波函数的多样化数据集，其参数（h, σ, g, α, N）随机化，以确保模型泛化能力。
• 在 TensorFlow 框架上实现该方法，开发出名为 UNIQORN 的开源工具包，支持灵活且可复现的可观测量推断。
• 通过将 ANNs 预测结果与精确理论值及不同图像数量（Ns）下的标准平均结果进行比较，验证了性能表现。

实验结果

研究问题

• RQ1 人工神经网络能否在从超冷原子单次测量图像中提取一阶和二阶密度方面优于标准平均方法？
• RQ2 ANNs 能否在无需飞行时间成像的情况下，从未经处理的实空间单次测量图像中成功重建动量空间可观测量（如 ρ(k) 和 ρ(2)(k,k′)）？
• RQ3 ANNs 能否从动量空间单次测量数据中准确推断实空间可观测量（如 ρ(x) 和 ρ(2)(x,x′)）？
• RQ4 需要多少张单次测量图像，才能使 ANNs 达到或超过标准平均方法的精度？
• RQ5 同一 ANN 模型能否在不同物理 regimes（包括分裂数和凝聚态多体态）下可靠地提取可观测量？

主要发现

• 即使仅使用 10 张单次测量图像，ANNs 在重建一阶和二阶密度方面也显著优于标准平均方法。
• 与标准平均方法相比，基于 ANNs 的方法将所需图像数量减少了高达 100 倍，即可达到相同精度水平。
• ANNs 以高保真度成功从实空间单次测量图像中重建了动量空间可观测量（ρ(k)，ρ(2)(k,k′)），从而消除了对飞行时间成像的需求。
• 在使用约 200 张图像时，从动量空间图像反向推断实空间可观测量的精度与标准平均方法相当。
• 当 Ns ≈ 200 时，基于 ANNs 的动量空间图像推断精度与传统方法从实空间图像中平均得到的精度相当。
• 该方法在多种物理 regimes 下表现出鲁棒性，包括分裂数和凝聚态多体态，证实了其泛化能力。