鑫图sCMOS相机 | 一种利用神经网络创建冷原子光镊的研究

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。

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。

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。