量子科技中心_量科网

对超冷玻色气体中热力学参数的精确测定仍具挑战性，这既源于传统测量技术的破坏性本质，也受限于实验固有的不确定性。该研究团队展示了一种人工智能方法，通过单次原位成像的有限温度玻色气体密度分布，实现了化学势与温度的快速无损估算。其卷积神经网络仅基于谐波势阱中的准二维“薄饼状”凝聚体数据进行训练，却能在亚秒级时间内完成参数提取。该模型还表现出对势阱几何结构与热化动力学过程的零样本泛化能力——即便训练阶段未接触环形势阱构型，仍能以仅数纳开尔文的误差成功估算环形约束凝聚体的热力学参数；且在未对非平衡态进行专门训练的情况下，仅需短暂演化过程即可保持动态热化过程中的预测准确性。这些结果表明，监督学习能够突破超冷原子测温的传统局限，其向更广泛几何构型、温度范围及附加参数的扩展，或将实现量子气体实验的全面实时分析。此类能力有望显著优化实验流程，同时提升各类量子流体系统的测量精度。