光镊技术已成为操纵微观世界的关键手段,其应用范围涵盖微小粒子、生物分子乃至中性原子的精准调控。本研究采用生成神经网络来设计光镊阵列布局,这一创新方法依托于灵活可调的原子排列,通过集成的生成模型驱动空间光调制器(SLM),实现高效中性冷锶原子在多样化光镊结构中的俘获。该技术的核心挑战在于,针对每种新型光镊模式,传统方法均需重新进行纯相位全息图的精细优化,这不仅耗时巨大,还可能限制实时原子阵列的操控。本文介绍的方法通过加速SLM的调控流程,大幅缩减准备时间,尽可能的压缩操作延迟,无需频繁迭代全息图的优化步骤,为光镊技术在动态环境中的应用开辟了新途径。
![基于深度学习的原子阵列制作方案概述](/uploads/图1-基于深度学习的原子阵列制作方案概述.png)
图1 基于深度学习的原子阵列制作方案概述。为了捕获88Sr原子使用了光镊阵列。空间光调制器(SLM)由基于U-net模型生成的神经网络控制。该生成模型使用光镊图像和相应的SLM全息图组成的全息图数据集进行训练,各种光镊的配置可以根据需要创建。
![生成式神经网络产生的各种原子阵列](/uploads/图2-生成式神经网络产生的各种原子阵列.png)
图2 生成式神经网络产生的各种原子阵列。(a)~20个镊子点的实验吸收图像,其中每个亮点对应~ 30个88Sr原子的集合。通过训练后的生成神经网络形成了正方形、三角形和蜂窝形状的各种网格,晶格常数是15μm,吸收图像通过sCMOS相机记录。(b)当原子信号位于镊子阱的中心时,我们将 SNR 定义为Isignal和Inoise的比值。(c)通过比较算法运行时间和镊子阵列质量,显示生成神经网络(绿色)在所需迭代次数方面优于 GS 算法(紫色),无需迭代即可达到镊子阵列的SNR。
文中提到在每个量子阱中均能捕获几十个Sr原子,为精确量化俘获的原子数目,实验将一束461nm的准直激光束照射Sr原子阵列,并通过鑫图Dhyana 400BSI V3记录光密度(OD)。因为不同的微观陷阱可能捕获的原子数量各异,从而引起局部光密度的显著差异。因此这就要求相机具有足够大的动态范围,Dhyana 400BSI V3相机的动态范围为90dB,这样不仅有效防止了信号过饱和及损失,还确保了在光强变化剧烈的情况下依旧能进行准确的记录。此外,Dhyana 400BSI V3具备6.5μm的高分辨率,这一特性对于精细区分并准确计算尤为关键,确保了对光镊阵列中各离散光密度信号的清晰辨别。加之其峰值量子效率为95%,这样能提高对原子阵列散发的微弱光信号的捕捉能力,使得数据收集更为灵敏且可靠。
参考文献
Ren Z, Yan X, Wen K, et al. Creation of a tweezer array for cold atoms utilizing a generative neural network[J]. arXiv preprint arXiv:2401.06014, 2024.
该文章旨在为大家提供先进成像技术相关应用参考,部分内容摘抄于相关论文研究成果,版权归原作者所有,引用请标注出处。