一种机器学习增强的量子真空压缩光源系统及方法

1.一种机器学习增强的量子真空压缩光源系统，其特征在于，包括：相干光源(1)、声光调制器(2)、单模光纤(3)、格兰激光棱镜(4)、第一偏振分束器(5)、第一聚焦透镜(6)、铷原子气室(7)、亥姆霍线圈(8)、磁屏蔽(9)、第二聚焦透镜(10)、四分之一波片(11)、第一半波片(12)、第二偏振分束器(13)、压电陶瓷(15)、电光强度调制器(16)、第三偏振分束器(17)、第一光电探测器(18)、数字运算锁定模块(19)、第二半波片(20)、第四偏振分束器(21)、第二光电探测器(22)、第三光电探测器(23)、频谱分析仪(24)、计算机(25)、信号发生器(26)、温度控制器(27)；其中：

2.如权利要求1所述的系统，其特征在于，所述相干光源(1)线宽为200khz，并且是线偏振光；

3.如权利要求1所述的系统，其特征在于，进一步包括：第一反射镜(14)；所述第一反射镜(14)设置在所述第二偏振分束器(13)后，用于改变光的传播方向，使真空压缩光对准后续器件。

4.如权利要求1所述的系统，其特征在于，所述压电陶瓷(15)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；所述压电陶瓷(15)保持1hz三角波扫描频率。

5.如权利要求1所述的系统，其特征在于，所述第二光电探测器(22)和第三光电探测器(23)进行信号差分相减，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保持50：50平衡，同时探测器光电转化量子效率需达到93％，降低真空压缩光的探测损耗。

6.如权利要求1所述的系统，其特征在于，所述计算机(25)的机器学习程序部分实时接收来自频谱仪(24)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时，人工神经网络将对量子系统泵浦光功率、频率、磁场、温度参数进行动态搜索，直到压缩度收敛到稳定最大值附近；在此过程中，神经网络预测更新的参数范围不断缩小，最后将使系统的量子压缩度长时间保持稳态；优选地，所述阈值设为4db。

7.一种机器学习增强的量子真空压缩光源方法，其特征在于，包括以下步骤：

8.如权利要求7所述的方法，其特征在于，所述真空压缩光的压缩度理论公式如下：

9.如权利要求7所述的方法，其特征在于，机器学习算法的具体循环过程包括：

10.如权利要求9所述的方法，其特征在于，所述神经网络算法集成在python代码中，设定的分类条件：(ss-s0)>0.1；其中，当前系统的量子压缩度ss与参考最大压缩度q的差值ss-s0，当ss-s0小于0.1，神经网络算法开始运行，根据损失函数判据判断寻找最优值；设定损失函数为：