Aprendizaje automático supervisado para átomos ultrafríos en interferometría de moteado

En este trabajo, consideramos el uso de técnicas de máquinas supervisadas para tratar problemas cuánticos de muchos cuerpos relevantes para experimentos realizados en átomos desordenados ultrafríos.

Después de una amplia introducción a las técnicas de máquinas supervisadas, mostraré cómo se puede entrenar una red neural profunda para hacer predicciones precisas sobre los bajos niveles de energía de los gases atómicos no interactivos en patrones de moteado óptico. Curiosamente encontramos que la red neuronal es notablemente resistente al ruido añadido en los datos (en este caso, sintéticos) de entrenamiento, sugiriendo que, a largo plazo, se podrían utilizar las simulaciones cuánticas de átomos fríos para entrenar a redes neuronales con el fin de resolver problemas difíciles que no pueden ser resueltos eficientemente usando ordenadores clásicos como, por ejemplo, el problema de muchos fermiones.

También mostraré resultados recientes sobre el uso de redes neuronales convolucionales, que normalmente se emplean en aplicaciones de reconocimiento de imágenes, para construir un modelo de red neuronal escalable que permita hacer predicciones de tamaños de sistemas mayores que los usados durante la fase de entrenamiento, lo que nos proporciona una novedosa técnica de extrapolación. También subrayaré el uso de técnicas de aprendizaje de transferencia para acelerar el proceso de aprendizaje en sistemas de gran tamaño.