[发明专利]一种应用机器学习优化超冷原子蒸发冷却参数的方法

权利要求书

1.一种应用机器学习优化超冷原子蒸发冷却参数的方法，其特征在于：具体包括以下步骤：

S1、任取20组控制参数即20条初始曲线，通过实际实验测量每组曲线对应的玻色冷凝物的无量纲光密度(OD),把他们的参数作为初始训练集；

S2、设计一个神经网络，用初始数据集对其进行训练，由于训练集的数据量很小，训练结果会取决于神经网络的初始化，我们需要运行多组初始化，并选择对20组曲线中最优的5组曲线，预测最准确的初始化；

S3、使用训练后的神经网络对有8个控制参数的超大型数据集(几十万个)进行预测，这个超大型数据集是通过采样获得的，同时采用两种不同的概率分布，一部分用随机采样，一部分用高斯采样，采样时需加上合适的约束条件，确保所采参数可以进行实验；

S4、从步骤S3所有控制参数(几十万)中选择20组控制参数，并且这些20组控制参数具有神经网络预测的最佳OD；

S5、对步骤S4所选的20组参数进行实验测量，并将实际数据加入训练数据集中，这样就形成了一个从步骤S2到步骤S5的闭环，通过多次循环，使神经网络的预测值和实际测量值收敛到极值附近。

2.根据权利要求1所述的一种应用机器学习优化超冷原子蒸发冷却参数的方法，其特征在于：所述冷原子的蒸发冷却实验是由两条曲线控制的，实验上利用模拟信号的大小来控制ODT的功率通过固定初始电压V0和截止电压Vend，逐步降低ODT功率，从而得到两条功率随时间变化的曲线，优化的目标是找到两条曲线使最后得到的OD尽可能大。

3.根据权利要求1所述的一种应用机器学习优化超冷原子蒸发冷却参数的方法，其特征在于：所述蒸发冷却控制曲线用分段函数的形式定义：当tt₀时：V＝V₀，当t≥t₀时：其中V₀是初始电压，t_f是总时间，而要优化的控制参数是t₀,a₁,b₁,a₂，两条控制曲线共有八个参数需要优化。

4.根据权利要求1所述的一种应用机器学习优化超冷原子蒸发冷却参数的方法，其特征在于：所述步骤S2中神经网络的结构为1个隐藏层，16个神经元。

5.根据权利要求1所述的一种应用机器学习优化超冷原子蒸发冷却参数的方法，其特征在于：所述步骤S3中约束条件具体为：当函数对t的一阶导数在范围内小于等于0，并且时，函数值小于V₀。

6.根据权利要求1所述的一种应用机器学习优化超冷原子蒸发冷却参数的方法，其特征在于：所述步骤S5中多次循环是指进行10次从步骤S2到步骤S5的循环优化，神经网络的预测值和实际测量结果一致是指，从步骤4所选的20组参数中，对于其中预测OD最大的五组参数，他们的预测值和实际测量结果的误差足够小即可,定义如下：