Einmalige Absorptionsbildgebung von ultrakalten Atomen mit tiefem Lernen

Absorptionsbildgebung ist die am häufigsten verwendete Aufnahme-Technik in Experimenten mit ultrakalten Atomen. Das Standardverfahren umfasst die Division von zwei aufeinanderfolgenden Belichtungen erworbenen Bildern, einem mit dem atomaren Absorptionssignal und einem ohne. Ein bekanntes Problem ist das Vorhandensein von strukturiertem Rauschen im endgültigen Bild, das auf kleine Unterschiede zwischen dem Aufnahmlicht der beiden Belichtungen zurückzuführen ist. Hier lösen wir dieses Problem durch die Durchführung der Absorptionsbildgebung mit nur einer einzigen Belichtung, bei der anstelle einer zweiten Belichtung das Referenzbild durch ein unüberwachtes Bild vervollständigendes Autoencoder-Neuronales Netz generiert wird. Das Netz wird an Bildern ohne Absorptionssignal trainiert, sodass es das überlagernde Rauschen des atomaren Signals allein auf Basis der Informationen in der umgebenden Region inferieren kann. Wir demonstrieren unseren Ansatz an Daten, die mit einem quantenentarteten Fermi-Gas erfasst wurden. Der durchschnittliche Restrausch in den resultierenden Bildern liegt unterhalb jener des standardmäßigen Doppelschuss-Verfahrens. Unsere Methode vereinfacht die experimentelle Sequenz, reduziert die Hardwareanforderungen und kann die Genauigkeit der extrahierten physikalischen Observablen verbessern. Das trainierte Netzwerk und seine Generierungsskripte sind als Open-Source-Repository verfügbar (http://absDL.github.io/).