卷积循环神经网络的光学晶格中超冷原子动量分布预测

相位作为光学晶格中玻色-爱因斯坦凝体的波函数中的重要参数,在实验中无法通过吸收成像或者原位成像从动量空间原子分布中直接得到波函数的相位信息.为了研究一维光晶格中玻色-爱因斯坦凝体相位分布对动量空间原子分布的影响,建立了深度学习网络模型.首先,通过理论计算得到的32 000组数据作为训练集和验证集.然后,在分析波函数的相位特征与动量空间的基础上,提出卷积循环神经网络模型进行光晶格中超冷原子动量预测的方法.经验证,模型训练得到的结果与理论求解薛定谔方程得到的结果相差1.76,相较BP (Back Propagation)神经网络结果,平均误差降低了83％,所得结论为机器学习在物理学领域的应用提供了新的思路.