一种机器学习增强的量子真空压缩光源系统及方法

本发明属于人工智能、工程控制、量子光学与精密测量，主要涉及一种机器学习增强的量子真空压缩光源系统及方法，用于制备一钟长时间稳定、可靠的795nm波段量子真空压缩光源并进一步提升其压缩度。

背景技术：

1、近年来，伴随着量子精密测量、量子通信以及量子计算等量子科学技术的发展，包括引力波探测，“墨子号”发射升空以及“九章”计算机等，基于量子物理的实验技术在未来科技创新和社会发展中占据越来越重要的地位，以量子物理为基础的量子产业将成为未来科技发展的重要领域。量子精密测量就是要利用量子物理的基本规律寻求更高精度的测量手段。压缩态量子光源作为一种超越了量子噪声极限的非经典光场，其广泛用于提高光学干涉仪的测量精度，在引力波探测等高精密测量方面有着广泛的应用前景。目前为止，已经有多种方法能够产生不同波段的真空压缩量子光源。一般来说，真空压缩光源产生条件很苛刻，装置复杂且造价昂贵，使得相应实验技术普及存在困难，并且在795nm波段的压缩度普遍较低。

2、此外，大量研究[1-3]表明，量子真空压缩光源容易受到环境温度、磁场、泵浦光光强、失谐、损耗等各种因素的影响，这将导致系统压缩度的下降。这也导致国内现有真空压缩光源的长期稳定性不足，在实际应用情境中普遍受限。因此，如何解决量子真空压缩光源在实际应用中的长期稳定性，同时尽可能地提高真空压缩光场的压缩度是当前科研界、工业界亟待解决的问题。

技术实现思路

1、为了解决现有真空压缩光源存在的问题，本发明的目标是提供一种新型的机器学习增强的量子真空压缩光源系统及相应方法，旨在解决传统量子压缩光源易受多参数干扰、稳定性不足、压缩度低的问题。本发明受人工智能技术的启发，采用了机器学习的神经网络算法，并与795nm波段量子真空压缩光源制备硬件系统进行适配，能够智能化地搜索真空压缩光源的泵浦光光强、频率、原子气室温度、磁场等多个参数以寻求最佳的量子压缩度性能，同时可以自适应地实时修正真空压缩光的压缩度，使之保持长期稳定。本发明的系统能够从机器学习程序和量子光源实验硬件的交互循环上较好地解决泵浦光光强、频率、原子气室温度、磁场等多个因素波动对与压缩光源性能的负面影响。与单一的真空压缩光源实验系统相比，本发明显著抑制了压缩光源的噪声漂移，大大提高了系统长时间鲁棒性和量子压缩度。该发明较好地拓展了真空压缩光源在引力波观测、地理勘测、电磁传感等精密测量方面的前景。

2、为了实现上述目的，本发明提供一种机器学习增强的量子真空压缩光源系统，包括：

3、相干光源，是由半导体激光器产生的795nm线偏振光，用于作为量子真空压缩光的泵浦光，与原子相互作用后，其激发出真空压缩光；

4、声光调制器，具有高转化效率，能够利用声光效应产生多级衍射，用于调节入射光的光强；

5、单模光纤，起到调整光斑的空间分布的作用，其将声光调制后的光斑整合成高斯光斑，保证空间模式的纯洁；

6、格兰激光棱镜，具有高消光比，用于提高入射激光的线偏振纯度，所述高消光比是指消光比大于1：10000；

7、第一偏振分束器，用于作为起偏器件，和前述格兰激光棱镜一起保证入射光满足垂直线偏振；

8、第一聚焦透镜，主要用于聚焦光斑，聚焦后的光斑与原子相互作用将更强；

9、铷原子气室，是一个圆柱形玻璃泡，里面充满铷原子气体，用于作为量子真空压缩光产生的介质；

10、亥姆霍线圈，用于对原子施加磁场，增强光和原子的相互作用；

11、磁屏蔽，由三层坡莫合金构成，用于屏蔽外界环境磁场的串扰，保证量子压缩光源的压缩性能稳定；

12、第二聚焦透镜，用于将光束重新调整成平行光束；

13、四分之一波片，能够调节出射光的偏振态；

14、第一半波片，和前述四分之一波片一起配合，调节光的偏振角，保证出射光尽可能地保持垂直偏振，抑制水平偏振漏光；

15、第二偏振分束器，起到分束作用，将真空压缩光和泵浦光通过正交偏振分开；

16、第一反射镜，能够改变光的传播方向，使真空压缩光对准后续器件；

17、压电陶瓷，用于扫描强泵浦光与真空压缩光之间的相对相位；

18、电光强度调制器，能通过电压控制出射光的强度，保证出射光的光强在系统其他参数变化的过程中始终恒定；

19、第三偏振分束器，用于将真空压缩光和强泵浦光合束；

20、第一光电探测器，用于实时监测泵浦光透射部分的光强，将检测信号传输给数字运算锁定模块；

21、数字运算锁定模块，内部包含比例积分微分pid运算电路，能够对输入信号进行运算，反馈锁定泵浦光透射部分的光强；

22、第二半波片，用于将线偏振光的偏振角旋转45度；

23、第四偏振分束器，用于将光束50：50分束，平衡等分；

24、第二光电探测器和第三光电探测器，分别用于接收光并转化为电信号，随后将两路电信号相减，进行平衡零拍探测，减去共模噪声；

25、频谱分析仪,用于分析平衡相减后的电信号的噪声功率谱，进而获取真空压缩光的压缩度；

26、计算机，内置机器学习的神经网络算法，能够以真空压缩光的压缩度为优化目标，进行自适应搜索和多参数优化，运算后的预测结果会通过通信线缆实时更新给后续仪器；

27、信号发生器,用于将计算机机器学习算法传递的多通道数字信号生成为稳定的模拟电信号，并快速反馈给前述相干光源、声光调制器、亥姆霍线圈；

28、温度控制器，用于接收计算机运算后传递过来的温度控制信号，实现实时修正铷原子气室温度的作用；

29、具体地：

30、相干光源，线宽为200khz，光功率稳定，并且是线偏振光。声光调制器，具有高达80％的声光衍射转化效率，器件响应带宽达到2mhz。

31、铷原子气室需要进行恒温控制，温度一般需要控制在40-75℃范围内，以保证有足够的原子数密度。此外，该玻璃气室两侧端面镀了增透膜，透过率90％以上，降低真空压缩光的损耗。

32、亥姆霍线圈是高度对称的结构，供电后，线圈之间产生均匀平行的磁场，用于加强光和原子相互作用。线圈由99.9％纯铜构成。

33、压电陶瓷在外界0-10v电压驱动下能够改变强泵浦光和真空压缩光之间的相对相位差，将量子真空压缩光的最佳压缩度扫描出来。压电陶瓷保持1hz三角波扫描频率。

34、第二光电探测器和第三光电探测器进行信号差分相减，可以减去共模噪声，减小干扰。为了进行平衡零拍探测，进入探测器的两路光强必须保持50：50平衡，同时探测器光电转化量子效率需达到93％以上，降低真空压缩光的探测损耗。

35、机器学习程序部分实时接收来自频谱分析仪的噪声功率谱，从中获取量子真空压缩光源的压缩度信息；当实验系统压缩度低于设定的阈值(通常设为4db)时，人工神经网络将对量子系统泵浦光功率、频率、磁场、温度等参数进行动态搜索，直到压缩度收敛到稳定最大值附近；在此过程中，机器学习中的神经网络算法开始预测和构建参数与量子压缩度的关系，并通过内置的梯度下降算法进行参数更新，通过高阶导数判断是否数值收敛，神经网络每次预测出当前最优压缩度和最佳参数，进而使神经网络预测更新的参数范围围绕最佳参数附近不断缩小，最后将使系统的量子压缩度长时间收敛于稳态。

36、如图2所示，右侧的方框内的部分就是机器学习算法的具体循环过程。当实验系统采集到的真空压缩度低于设定的阈值时，表明量子压缩光源此时已经偏离了最大压缩度，此时神经网络算法部分(机器学习程序)开始在给定范围内快速搜索，使真空压缩光场的量子压缩度逼近全局最优值。当最优目标值被找到(满足神经网络算法的结束条件)，此时，通过压缩源硬件系统采集到的目标量进行实时运算以不断修正泵浦光光强、频率、原子气室温度、磁场参数；通常，初始几次循环采集到的训练样本还不足以让神经网络算法预测到最优压缩度。通过30次循环之后，神经网络的参数搜索结果会逐渐开始收敛，并围绕最优值附近小范围实时修正参数，这样，量子真空压缩光实验系统就长时间锁定在最大压缩度处。在整个过程中，机器学习程序部分和硬件部分一直循环交互，将系统压缩度控制不随环境因素漂移。这就是机器学习增强的具体过程。

37、神经网络算法集成在python代码中，属于本发明中的程序部分。如附图2所示，在本发明中，设定的分类条件：(ss-s0)>0.1。其中，当前实验系统的量子压缩度ss与参考最大压缩度q的差值ss-s0。当ss-s0小于0.1，神经网络算法就会开始运行，根据损失函数判据判断寻找最优值。在本发明中，设定损失函数为t0是神经网络启动起始时刻，t1截至当前时刻，ss(t)表示任意t时刻真空压缩光源的量子压缩度。当损失函数开始不断收敛，达到稳定极值时，神经网络算法就结束了搜索，并可以预测出实验系统的最佳压缩度对应的泵浦光光强、频率、原子气室温度、磁场参数。图2中的结束条件：损失函数l达到稳定极小值(连续30次迭代过程都找不到更小的l值)，此时表明实验系统压缩度也是稳定的。

38、本发明使用的机器学习算法是python的tensorflow开源包中的前馈神经网络fnn。本发明混合式机器学习算法是以该fnn神经网络为基础，使用了其内置的差分进化算法生成初始的训练样本，采用均方差损失函数作为优化判据，并按附图2所示的过程与真空压缩光源硬件系统进行实时交互。这种独特的人工神经网络控制架构在量子真空压缩光源优化过程中起着核心作用。神经网络算法在nv自旋读取、光脉冲预测、拓扑不变量寻找、量子气体制备、多参数估计、冷原子bec等物理学前沿领域有着实际应用[4-10]，在生物、化学、计算机科学领域更是已经发展成熟。而在真空压缩光的锁定和优化方面，类似框架的使用尚属首次。本发明自主设计了如图1所示的真空压缩光源优化的实验系统，并且根据具体实验参数和优化目标设计了神经网络算法控制程序。相应的算法流程示意图如附图2所示。

39、本发明还提出一种基于机器学习增强的量子真空压缩光源方法，利用了上述量子真空压缩光源优化实验系统。所述方法中，机器学习程序与前述量子真空压缩光源实验系统相结合，按照参数初始化、频谱数据采集、压缩度提取、神经网络训练、参数预测更新、反馈电压传递、调制器件响应的顺序不断循环，实时修正真空压缩光的噪声和对应压缩度，从而降低因光路抖动、环境温度、磁场干扰等因素带来的长时间慢漂，提高795nm真空压缩光源在最大压缩度工作点附近的长期稳定性。

40、本发明实现机器学习算法与真空压缩光源的交互不是简单拼接式的串联。而是将神经网络算法进行并行循环以满足量子真空压缩光源实验实时反馈需求。难点主要有两点：一是需要选择合适的分类条件。分类条件决定了神经网络算法预测和参数搜索效果。分类条件设置太宽泛可能会使得神经网络算法的搜索训练时间过长，导致实验无法实现实时锁定。分类条件太精确，可能会导致一旦受到外界突发扰动跳出最大压缩度锁定点后，算法的反馈将无法将工作点拉回锁定位置。因此，分类条件(ss-s0)>0.1是根据本发明中的实验装置的实际动态锁定效果而合理设定的，既能缩短神经网络的训练步数，又能抵抗多个因素的干扰，提高量子压缩光源在工作点附近运行时的鲁棒性。二是神经网络算法需要将优化后的最佳参数保持实时锁定。为了保证最佳参数能够反映实验系统工作的最佳位置，需要根据实验实际情况选取满足实验条件的用于优化的参数。例如，量子真空压缩光源的压缩度与泵浦光光强、频率、原子气室温度、磁场参数等存在映射关系。所以选取泵浦光光强、频率、原子气室温度、磁场参数作为优化参数来保证系统能够响应参数变化。

41、具体方法包括以下步骤：

42、步骤一：运行激光器，将铷原子气室加热到50-75℃。随后调节光路，扫描压电陶瓷使第二光电探测器和第三光电探测器上都能观察干涉信号，然后调节反射镜使得干涉对比度尽可能接近100％，之后转动波片，将其中一路光强压低到真空。然后使用数字运算锁定模块锁定电光强度调制器，使其泵浦透射光光强每次锁定不变；

43、步骤二：完成步骤一后，利用第二光电探测器和第三光电探测器探测到的50：50光强进行平衡零拍探测，探测信号进入频谱分析仪，获取量子真空压缩光在不同扫描相位下的1mhz频带处的压缩度；

44、步骤三：机器学习参数初始化，通过将激光器的频率、泵浦光光强、铷原子气室磁场、温度设置为优化参数，并设置最大迭代次数和参数边界值，采用神经网络算法生成初始训练集数据，每更新一轮参数，激光器的频率、泵浦光光强、铷原子气室磁场、温度将分别通过信号发生器和温度控制器控制变化。量子真空压缩光系统也随之响应，并开始采集下一时刻的光电探测器差分信号，并进行频谱分析；

45、步骤四：在初始训练集的基础上，机器学习中的神经网络算法开始预测和构建参数与量子压缩度的关系，并通过内置的梯度下降算法进行参数更新，通过高阶导数判断是否数值收敛，预测出最优压缩度和最佳参数；这些最优参数和最佳参数会继续更新，不断加入到训练集中；

46、步骤五：机器学习预测了最优参数后，继续获取下一轮新采集到的量子压缩度数据，判断压缩度大小是否已经大幅度偏离了前一次的最优阈值，并决定是否需要进行新一轮的参数更新和函数模型预测；

47、真空压缩光的压缩度理论公式[1-2]如下：

48、s＝10lg(1-glsinφcosφ+g2l2 cos2φ)，

49、其中，s是压缩光的压缩度，l是铷原子气室的作用长度，g是光和原子相互作用系数，φ是真空压缩光的扫描相位。

50、本发明与原有技术相比的有益效果如下：

51、本发明利用机器学习增强了传统795nm量子真空压缩光源的量子压缩度和系统的长期稳定性。实验中，真空压缩光源的压缩度最高达到了4.2db。相比于原有的3.2db，压缩度增加了1db。并且量子压缩光源的压缩度保持在4.0db±0.1db的持续稳定时间可达1小时以上。

52、通过机器学习技术的引入，使得量子真空压缩光源的参数修正和抵抗环境干扰的能力大大增强，当外界影响下真空压缩光源的压缩度逐渐偏离最优位置后仍可以自适应地搜索重新找回最佳锁定参数。系统的鲁棒性大大提高；在长时间连续采集条件下，得益于上述自适应的神经网络方法，光源的噪声压缩度工作指标获得优化。本发明中，将连续采集1.1小时的数据结果如附图4所示：通过对比，可以发现稳定时间增加了1小时，这反映出噪声慢漂明显变小，即实验系统的长期稳定性得到显著提高。另外，从附图3可以看出，短时间的1mhz处噪声谱显示机器学习技术多参数动态优化后的量子压缩度相比于优化前提高了至少1db，压缩光源性能获得进一步提升。