Highly efficient nuclear population transfer through physics-informed neural networks

Deze studie toont aan dat physics-informed neural networks (PINNs) een doeltreffender methode bieden voor het overbrengen van kernpopulaties in open driedimensionale systemen dan traditionele controlestrategieën, waardoor hogere efficiëntie met kortere pulsen en minder energie wordt bereikt voor toepassingen zoals nucleaire klokken.

De kern

De Kern: Een Slimme "AI-Coach" voor Atoomkernen

Stel je voor dat je een atoomkern hebt die je wilt verplaatsen van de ene energiestaat naar de andere. Dit is als het verplaatsen van een zware kist van de begane grond naar de eerste verdieping. Dit is nodig voor de super-accurate klokken van de toekomst of voor batterijen die werken met atoomenergie.

Het probleem? De "lift" (de kist) is erg onstabiel. Als je te langzaam bent, valt hij uit elkaar (spontane emissie). Als je te hard duwt, kost het te veel energie. En als je de lift niet precies op het juiste moment laat stoppen, beland je op de verkeerde verdieping.

In dit artikel gebruiken de onderzoekers Jing Liu en Fu-Quan Dou een slimme computermethode genaamd PINN (Physics-Informed Neural Networks). Je kunt dit zien als een AI-coach die niet alleen weet hoe je de kist moet duwen, maar ook de zwaartekrachtswetten uit het hoofd kent.

Hoe werkt het? (De Vergelijkingen)

1. Het Probleem: De Onrustige Kist

De atoomkern zit in een "drie-traps" systeem:

• Traptrede 1: De startpositie (rustig).
• Traptrede 2: De doelpositie (waar we heen willen).
• Traptrede 3: Een gevaarlijke, instabiele tussenstop. Als de kern hier te lang blijft, valt hij uit elkaar (verdwijnt als straling) en mislukt het experiment.

De oude methoden om de kern van trap 1 naar trap 2 te krijgen, waren als volgt:

• De "π-puls" (De brute kracht): Je duwt hard en hoopt dat het lukt. Nadeel: Je raakt vaak de instabiele tussenstop, en het kost veel energie.
• STIRAP (De voorzichtige wandelaar): Je loopt heel langzaam en voorzichtig om de instabiele trap te vermijden. Nadeel: Bij sommige kernen (zoals Ytterbium-172) is de tijd zo kort dat je er simpelweg niet snel genoeg bent om veilig te wandelen.
• De "Coincident Pulse" (De stoomtrein): Je gebruikt een reeks kleine duwtjes. Nadeel: Het duurt lang en verbruikt veel energie.

2. De Oplossing: De AI-Coach (PINN)

De onderzoekers hebben een Neuraal Netwerk (een soort super-slimme computer) getraind. Maar dit is geen gewone AI die alleen naar voorbeelden kijkt. Deze AI heeft de wetten van de natuurkunde in haar hoofd gebrand.

• De Analogie: Stel je voor dat je een auto bestuurt door een smalle, bochtige bergweg.
  • De oude methoden zijn als een bestuurder die een routekaart volgt die misschien verouderd is, of iemand die blindelings gas geeft.
  • De PINN is als een autonoom voertuig dat de weg, de bochten, de snelheidslimieten en de brandstofverbruikswetten gelijktijdig berekent. Het vindt de perfecte route die je in recordtijd en met minimale brandstof van punt A naar punt B brengt, zonder ook maar één keer de afgrond in te rijden.

3. Wat hebben ze ontdekt?

Ze hebben dit getest op twee heel verschillende atoomkernen:

1. Ytterbium-172: Een kern die extreem onrustig is (leeftijd: 11 femtoseconden). Dit is als een kaarsvlam die je moet verplaatsen voordat hij dooft.
   • Resultaat: De AI-coach slaagde erin om de kern in 2 femtoseconden veilig over te brengen. De oude methoden faalden hier of kostten veel te veel energie.
2. Thorium-229: Een kern die wat rustiger is (leeftijd: 0,172 nanoseconden).
   • Resultaat: Ook hier was de AI-coach de snelste en zuinigste.

Waarom is dit belangrijk?

De onderzoekers tonen aan dat deze AI-methode sneller, zuiniger en nauwkeuriger is dan wat we tot nu toe hebben.

• Voor de Toekomst: Dit helpt bij het bouwen van nucleaire klokken (die veel nauwkeuriger zijn dan onze huidige atoomklokken) en nucleaire batterijen (die energie opslaan in atoomkernen en deze op een gecontroleerde manier vrijgeven).
• De Grootte van de Sprong: Het is alsof je tot nu toe een berg met een fietsje probeerde te beklimmen (oudere methoden), en nu ineens een helikopter hebt gevonden die je in een seconde boven de berg brengt (PINN), terwijl je nog steeds minder brandstof verbruikt.

Conclusie

Kortom: De onderzoekers hebben een nieuwe, slimme manier gevonden om atoomkernen te "sturen". Door de wetten van de natuurkunde direct in een computerprogramma te stoppen, kunnen ze de perfecte laserpulsen vinden om atoomkernen te verplaatsen. Dit is een grote stap voorwaarts voor de technologie van morgen, van superklokken tot schone energiebronnen.

Technische samenvatting

Titel: Zeer efficiënte kernpopulatie-overdracht via physics-informed neural networks (PINNs)

Auteurs: Jing Liu en Fu-Quan Dou
Publicatie: arXiv:2508.11546v1 [nucl-th] (2025)

---

1. Het Probleem

Kerncoherente populatie-overdracht (NCPT) is een cruciaal proces voor toepassingen zoals de volgende generatie kernklokken en kernbatterijen. De uitdaging ligt in het realiseren van overdracht met hoge fideliteit, snelle werking en laag energieverbruik, vooral in open drie-niveausystemen waar spontane emissie optreedt.

Bestaande methoden hebben elk hun beperkingen:

• STIRAP (Stimulated Raman Adiabatic Passage): Zeer robuust, maar vereist hoge laserintensiteiten en langzame adiabatische evolutie, wat onverenigbaar is met zeer kortlevende aangeslagen toestanden.
• $\pi$-puls methode: Vereist minder puls-oppervlak, maar is extreem gevoelig voor resonantiecondities en leidt tot hoge populatie in de ongewenste aangeslagen toestand.
• Coincident-puls techniek: Verbetert de robuustheid door meer puls-paren, maar leidt tot een verhoogd totaal energieverbruik.
• Mixed-state inverse engineering (MIE): Vereist een extra laserveld, wat het energieverbruik en de experimentele complexiteit verhoogt.

Er is behoefte aan een methode die hoge efficiëntie bereikt met minimale puls-oppervlakken en korte tijdsduur, ongeacht de levensduur van de kern.

2. Methodologie

De auteurs introduceren een aanpak gebaseerd op Physics-Informed Neural Networks (PINNs) om de optimale laser-pulssequenties ($\Omega_p(t)$ en $\Omega_s(t)$) te leren voor een drie-niveaus kernsysteem.

• Fysisch Model: Het systeem wordt gemodelleerd als een open drie-niveaus $\Lambda$-configuratie (toestanden $|1\rangle, |2\rangle, |3\rangle$) met spontane emissie vanuit de aangeslagen toestand $|3\rangle$. De dynamiek wordt beschreven door de meestervergelijking voor de dichtheidsmatrix $\rho(t)$, inclusief decoherentie.
• PINN Architectuur:
  • Een volledig verbonden neurale netwerk (5 verborgen lagen, 128 neuronen per laag, tanh-activatie) neemt de tijd $t$ als invoer.
  • Het netwerk voorspelt zowel de toestandsvector $x(t)$ (populaties en coherenties) als de controlevariabelen (Rabi-frequenties van de pomp- en Stokes-pulsen).
  • Verliesfunctie (Loss Function): De trainingsfunctie $L$ bestaat uit drie componenten:
    1. $L_{model}$: Straf voor afwijkingen van de fysische dynamiek (de meestervergelijking). De netwerkvoorspellingen moeten voldoen aan de differentiaalvergelijkingen.
    2. $L_{control}$: Straf voor afwijkingen van de doelttoestand (populatie in $|2\rangle$ moet 1 zijn, andere toestanden 0).
    3. $L_{const}$: Straf voor fysisch onzinnige oplossingen (bijv. populaties die niet optellen tot 1 of negatieve populaties).
  • Training: Het netwerk wordt getraind met de Adam-optimizer om de totale verliesfunctie te minimaliseren, waardoor het autonoom de optimale pulsvormen leert zonder vooraf gedefinieerde pulse-shapes.

3. Belangrijkste Bijdragen

• Toepassing van PINNs op Kernfysica: Dit is een van de eerste toepassingen van PINNs voor het optimaliseren van NCPT in open systemen met spontane emissie.
• Vergelijking met Traditionele Methoden: Een systematische vergelijking tussen PINNs en drie gevestigde methoden (Coincident pulses, STIRAP, en MIE) voor twee zeer verschillende kernsystemen.
• Omgaan met Levensduur-beperkingen: De methode wordt getest op systemen met extreem korte levensduur (11 fs) en relatief lange levensduur (0,172 ns), wat laat zien dat de aanpak robuust is voor verschillende tijdschalen.

4. Resultaten

De studie vergelijkt de prestaties voor twee representatieve kernen: $^{172}$Yb (korte levensduur: 11 fs) en $^{229}$Th (lange levensduur: 0,172 ns).

Voor $^{172}$Yb (Korte levensduur):

• PINNs: Bereikt een transfer-efficiëntie van 0,9999 in slechts 2 fs met een zeer klein puls-oppervlak van 2,11.
• Coincident Pulses: Vereist 40 fs en een veel groter puls-oppervlak (12,56).
• STIRAP: Faalt grotendeels (efficiëntie ~0,10) omdat de adiabatische voorwaarde niet kan worden gehaald binnen de korte levensduur.
• MIE: Bereikt hoge efficiëntie (0,9999) in 10 fs, maar vereist een extra veld en een puls-oppervlak dat zes keer zo groot is als dat van PINNs.

Voor $^{229}$Th (Lange levensduur):

• PINNs: Bereikt een efficiëntie van 0,9999 in 200 fs met een puls-oppervlak van 1,79.
• De lange levensduur stelt het neurale netwerk in staat om pulsen te genereren met lagere piek-Rabi-frequenties, wat de benodigde laserintensiteit verlaagt.
• Traditionele methoden (STIRAP, Coincident) bereiken wel transfer, maar vereisen aanzienlijk meer tijd en energie (grotere puls-oppervlakken).

Algemene bevindingen:

• PINNs overtreft alle andere methoden in termen van transfer-efficiëntie, totale puls-oppervlak (energieverbruik) en overgangstijd.
• De methode is in staat om de populatie in de ongewenste aangeslagen toestand ($|3\rangle$) te onderdrukken, wat essentieel is om verlies door spontane emissie te minimaliseren.

5. Betekenis en Toekomstperspectief

De resultaten tonen aan dat PINNs een krachtig nieuw kader biedt voor de controle van kwantumkernsystemen.

• Kernklokken: De efficiënte en snelle overdracht is cruciaal voor de stabiliteit en nauwkeurigheid van toekomstige kernklokken gebaseerd op de isomeer van $^{229}$Th.
• Kernbatterijen: Het vermogen om kernisomeren gecontroleerd te exciteren en te laten vervallen, is essentieel voor de ontwikkeling van schone kernbatterijen.
• Algemene Toepassing: De integratie van machine learning met kwantumdynamica opent nieuwe wegen voor ultra-nauwkeurige tijdmeting, gecontroleerde kernenergie-vrijgave en hybride kwantumsystemen die atomaire en nucleaire fysica verbinden.

De studie bevestigt dat PINNs de beperkingen van traditionele controlestrategieën kunnen overwinnen, vooral in regimes waar snelheid en energie-efficiëntie kritiek zijn.