本技术涉及冷原子磁光阱,尤其是涉及一种冷原子磁光阱系统的优化方法及装置。
背景技术:
1、自20世纪80年代以来,激光冷却以及蒸发冷却等技术的出现和发展,使得人们可以在实验室制备温度低至纳开尔文的超冷原子气体,被广泛应用于研究强相互作用超流、量子模拟、原子干涉仪、冷碰撞、量子信息等领域。
2、一般来说,冷原子系统的性能可以通过增加原子数量和降低温度来提高,因为这将增加对原子的任何测量的信噪比。但是现有的对冷原子磁光阱光学系统的运行参数优化几乎都是以人工进行手动的控制为主,人工手动优化参数需耗费大量时间且很难确保最终参数是全局最优的问题,或者将运行参数输入到程序当中进行穷举遍历优化,可以保证找到系统运行最优参数但是需要耗费大量的时间。因此如何在获取冷原子的过程中,提高获取速度、精度以及准确度是亟待解决的技术问题。
技术实现思路
1、有鉴于此,本技术的目的在于提供一种冷原子磁光阱系统的优化方法及装置,通过对冷原子磁光阱系统的运行参数的优化,可以有效的提高冷原子的获取速度、精度以及准确度。
2、本技术实施例提供了一种冷原子磁光阱系统的优化方法,所述优化方法包括:
3、s1、获取冷原子磁光阱系统的初始数据集,其中,所述初始数据集中包括至少一组所述冷原子磁光阱系统的初始运行参数值以及每组初始运行参数值对应的初始成本函数值;
4、s2、基于所述初始数据集,预测运行所述冷原子磁光阱系统的候选最优运行参数值;
5、s3、按所述候选最优运行参数值控制所述冷原子磁光阱系统运行,并获取所述候选最优运行参数值对应的第一成本函数值;其中,所述第一成本函数值根据运行所述冷原子磁光阱系统后得到的冷原子数量以及冷原子团温度确定;
6、s4、使用第一成本函数值和每个初始成本函数值进行比对,确定所述第一成本函数值是否为最大值;
7、s5、当为是时,在所述初始数据集中记录本次实验的所述候选最优运行参数值和第一成本函数值,并判断是否达到优化结束条件;
8、s6、当为否时,返回执行s2;当为是时,输出所述冷原子磁光阱系统的目标最优运行参数值,结束优化;其中,所述目标最优运行参数值为所述初始数据集中最大成本函数值对应的运行参数值。
9、可选的,所述优化结束条件包括优化次数达到预设次数阈值,和/或,连续多次优化后的成本函数值均不大于所述初始数据集中的成本函数值。
10、可选的,通过以下步骤确定所述初始数据集:
11、在每个待优化的运行参数的取值范围内随机选取至少一个数值,得到至少一组初始运行参数值;
12、按所述至少一组初始运行参数值,依次运行所述冷原子磁光阱系统,得到每组初始运行参数值对应的初始成本函数值。
13、可选的,所述待优化的运行参数包括:泵浦光功率、泵浦光失谐、重泵浦光功率以及磁场梯度。
14、可选的,所述基于所述初始数据集,预测运行所述冷原子磁光阱系统的候选最优运行参数值,包括:
15、使用预先选定的机器学习优化算法对所述初始数据集进行计算,得到所述候选最优运行参数值;其中,所述机器学习优化算法包括贝叶斯优化算法、神经网络优化算法以及差分进化算法。
16、可选的,所述按所述候选最优运行参数控制所述冷原子磁光阱系统运行,并获取所述候选最优运行参数对应的第一成本函数值,包括:
17、按所述候选最优运行参数控制所述冷原子磁光阱系统运行,并通过图像获取装置获取所述冷原子磁光阱系统中的冷原子光学图像;
18、基于所述冷原子光学图像,计算得到所述候选最优运行参数对应的第一成本函数值。
19、可选的,在输出所述冷原子磁光阱系统的目标最优运行参数值,结束优化之后,所述优化方法还包括:
20、按所述目标最优运行参数值,控制所述冷原子磁光阱系统工作。
21、本技术实施例还提供了一种冷原子磁光阱系统的优化装置,所述优化装置包括:
22、获取模块,用于获取冷原子磁光阱系统的初始数据集,其中,所述初始数据集中包括至少一组所述冷原子磁光阱系统的初始运行参数值以及每组初始运行参数值对应的初始成本函数值;
23、预测模块,用于基于所述初始数据集,预测运行所述冷原子磁光阱系统的候选最优运行参数值;
24、第一控制模块,用于按所述候选最优运行参数值控制所述冷原子磁光阱系统运行,并获取所述候选最优运行参数值对应的第一成本函数值;其中,所述第一成本函数值根据运行所述冷原子磁光阱系统后得到的冷原子数量以及冷原子团温度确定;
25、比对模块,用于使用第一成本函数值和每个初始成本函数值进行比对,确定所述第一成本函数值是否为最大值;
26、判断模块,用于当所述第一成本函数值为最大值时,在所述初始数据集中记录本次实验的所述候选最优运行参数值和第一成本函数值,并判断是否达到优化结束条件;
27、优化模块,用于当未达到优化结束条件时,返回执行基于所述初始数据集,预测运行所述冷原子磁光阱系统的候选最优运行参数值;用于当达到优化结束条件时,输出所述冷原子磁光阱系统的目标最优运行参数值,结束优化;其中,所述目标最优运行参数值为所述初始数据集中最大成本函数值对应的运行参数值。
28、可选的,所述优化结束条件包括优化次数达到预设次数阈值,和/或,连续多次优化后的成本函数值均不大于所述初始数据集中的成本函数值。
29、可选的,所述优化装置还包括确定模块,所述确定模块用于:
30、在每个待优化的运行参数的取值范围内随机选取至少一个数值,得到至少一组初始运行参数值;
31、按所述至少一组初始运行参数值,依次运行所述冷原子磁光阱系统,得到每组初始运行参数值对应的初始成本函数值。
32、可选的,所述待优化的运行参数包括:泵浦光功率、泵浦光失谐、重泵浦光功率以及磁场梯度。
33、可选的,所述预测模块在用于基于所述初始数据集,预测运行所述冷原子磁光阱系统的候选最优运行参数值时,所述预测模块用于:
34、使用预先选定的机器学习优化算法对所述初始数据集进行计算,得到所述候选最优运行参数值;其中,所述机器学习优化算法包括贝叶斯优化算法、神经网络优化算法以及差分进化算法。
35、可选的,所述第一控制模块在用于按所述候选最优运行参数控制所述冷原子磁光阱系统运行,并获取所述候选最优运行参数对应的第一成本函数值时,所述第一控制模块用于:
36、按所述候选最优运行参数控制所述冷原子磁光阱系统运行,并通过图像获取装置获取所述冷原子磁光阱系统中的冷原子光学图像;
37、基于所述冷原子光学图像,计算得到所述候选最优运行参数对应的第一成本函数值。
38、可选的,所述优化装置还包括第二控制模块,所述第二控制模块用于:
39、按所述目标最优运行参数值,控制所述冷原子磁光阱系统工作。
40、本技术实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述的优化方法的步骤。
41、本技术实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述的优化方法的步骤。
42、本技术实施例提供的一种冷原子磁光阱系统的优化方法,所述优化方法包括:s1、获取冷原子磁光阱系统的初始数据集,其中,所述初始数据集中包括至少一组所述冷原子磁光阱系统的初始运行参数值以及每组初始运行参数值对应的初始成本函数值;s2、基于所述初始数据集,预测运行所述冷原子磁光阱系统的候选最优运行参数值;s3、按所述候选最优运行参数值控制所述冷原子磁光阱系统运行,并获取所述候选最优运行参数值对应的第一成本函数值;其中,所述第一成本函数值根据运行所述冷原子磁光阱系统后得到的冷原子数量以及冷原子团温度确定;s4、使用第一成本函数值和每个初始成本函数值进行比对,确定所述第一成本函数值是否为最大值;s5、当为是时,在所述初始数据集中记录本次实验的所述候选最优运行参数值和第一成本函数值,并判断是否达到优化结束条件;s6、当为否时,返回执行s2;当为是时,输出所述冷原子磁光阱系统的目标最优运行参数值,结束优化;其中,所述目标最优运行参数值为所述初始数据集中最大成本函数值对应的运行参数值。
43、这样,基于本技术提供的优化方法,通过将机器学习优化算法与实际磁光阱物理系统相结合,并设计成本函数,从而对磁光阱系统进行实时优化,进而可以俘获更多原子数、使原子团温度更低、并提高系统测量信号的信噪比。故通过本技术提供的优化方法,可以有效的提高冷原子的获取速度、精度以及准确度。
44、为使本技术的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。