基于人工神经网络在线学习方法 优化磁屏蔽特性参数

彭向凯; 吉经纬; 李琳; 任伟; 项静峰; 刘亢亢; 程鹤楠; 张镇; 屈求智; 李唐; 刘亮; 吕德胜

doi:10.7498/aps.68.20190234

物理学报

基于人工神经网络在线学习方法优化磁屏蔽特性参数

, , , , , , , , , , ,

彭向凯, 吉经纬, 李琳, 任伟, 项静峰, 刘亢亢, 程鹤楠, 张镇, 屈求智, 李唐, 刘亮, 吕德胜. 2019: 基于人工神经网络在线学习方法优化磁屏蔽特性参数, 物理学报, 68(13): 77-86. doi: 10.7498/aps.68.20190234

引用本文:

Peng Xiang-Kai, Ji Jing-Wei, Li Lin, Ren Wei, Xiang Jing-Feng, Liu Kang-Kang, Cheng He-Nan, Zhang Zhen, Qu Qiu-Zhi, Li Tang, Liu Liang, Lü De-Sheng. 2019: Online learning method based on artificial neural network to optimize magnetic shielding characteristic parameters, Acta Physica Sinica, 68(13): 77-86. doi: 10.7498/aps.68.20190234

Citation:

Peng Xiang-Kai, Ji Jing-Wei, Li Lin, Ren Wei, Xiang Jing-Feng, Liu Kang-Kang, Cheng He-Nan, Zhang Zhen, Qu Qiu-Zhi, Li Tang, Liu Liang, Lü De-Sheng. 2019: Online learning method based on artificial neural network to optimize magnetic shielding characteristic parameters, Acta Physica Sinica, 68(13): 77-86. doi: 10.7498/aps.68.20190234

基于人工神经网络在线学习方法优化磁屏蔽特性参数

中国科学院上海光学精密机械研究所, 量子光学重点实验室, 上海 201800;中国科学院大学材料与光电子研究中心, 北京 100049
中国科学院上海光学精密机械研究所, 量子光学重点实验室, 上海 201800

Online learning method based on artificial neural network to optimize magnetic shielding characteristic parameters

摘要: 磁屏蔽在磁场敏感的装置如原子钟、原子干涉仪等精密设备中发挥重要的作用,在变化外磁场下的某个磁屏蔽内部剩余磁场,可以通过Jiles-Atherton磁滞模型和磁屏蔽系数计算得出,根据计算结果可以进行主动补偿来抵消内部磁场的改变.然而实际应用中磁滞模型中五个与磁屏蔽相关的参数以及磁场衰减的两个参数的准确值的获得是比较困难的,通常根据实测磁滞回线人工匹配调节参数会花费大量时间且很难确保最终参数是全局最优值.基于人工神经网络的机器学习方法已经成为一种对复杂模型进行参数优化的有效手段,得益于现代计算机强大的运算能力,该过程通常远远快于人工参数调节,并有更大概率找到全局最优值,获得优于手工调节的参数值.本文利用人工神经网络在线机器学习的方法,对磁滞模型的五个参数与磁屏蔽的另外两个屏蔽相关参数进行优化测定,并对模拟卫星磁场环境下磁屏蔽内剩余磁场进行预测.通过实际测量屏蔽筒内剩余磁场与预测值比对,发现通过机器学习方法得到的磁屏蔽特性参数优于手动找到的参数,且所用时间大大缩短.该结果不仅有助于更好地进行磁场补偿,用于冷原子系统参数优化调整,更重要的是验证了神经网络在多参数物理系统中的应用,可以使其他多参数共同作用的物理实验进行最优参数的快速确定.
- 人工神经网络 /
- 磁屏蔽 /
- 磁滞效应 /
- 冷原子钟

计量

文章访问数: 466
HTML全文浏览数: 462
PDF下载数: 2
施引文献: 0

基于人工神经网络在线学习方法优化磁屏蔽特性参数

中国科学院上海光学精密机械研究所, 量子光学重点实验室, 上海 201800;中国科学院大学材料与光电子研究中心, 北京 100049
中国科学院上海光学精密机械研究所, 量子光学重点实验室, 上海 201800

关键词:

摘要: 磁屏蔽在磁场敏感的装置如原子钟、原子干涉仪等精密设备中发挥重要的作用,在变化外磁场下的某个磁屏蔽内部剩余磁场,可以通过Jiles-Atherton磁滞模型和磁屏蔽系数计算得出,根据计算结果可以进行主动补偿来抵消内部磁场的改变.然而实际应用中磁滞模型中五个与磁屏蔽相关的参数以及磁场衰减的两个参数的准确值的获得是比较困难的,通常根据实测磁滞回线人工匹配调节参数会花费大量时间且很难确保最终参数是全局最优值.基于人工神经网络的机器学习方法已经成为一种对复杂模型进行参数优化的有效手段,得益于现代计算机强大的运算能力,该过程通常远远快于人工参数调节,并有更大概率找到全局最优值,获得优于手工调节的参数值.本文利用人工神经网络在线机器学习的方法,对磁滞模型的五个参数与磁屏蔽的另外两个屏蔽相关参数进行优化测定,并对模拟卫星磁场环境下磁屏蔽内剩余磁场进行预测.通过实际测量屏蔽筒内剩余磁场与预测值比对,发现通过机器学习方法得到的磁屏蔽特性参数优于手动找到的参数,且所用时间大大缩短.该结果不仅有助于更好地进行磁场补偿,用于冷原子系统参数优化调整,更重要的是验证了神经网络在多参数物理系统中的应用,可以使其他多参数共同作用的物理实验进行最优参数的快速确定.