光鑷技術已成為操縱微觀世界的關鍵手段，其應用范圍涵蓋微小粒子、生物分子乃至中性原子的***調控。本研究采用生成神經網絡來設計光鑷陣列布局，這***創新方法依托于靈活可調的原子排列，通過集成的生成模型驅動空間光調制器（SLM），實現高效中性冷鍶原子在多樣化光鑷結構中的俘獲。該技術的核心挑戰在于，針對每種新型光鑷模式，傳統方法均需重新進行純相位全息圖的精細優化，這不僅耗時巨大，還可能限制實時原子陣列的操控。本文介紹的方法通過加速SLM的調控流程，大幅縮減準備時間，盡可能的壓縮操作延遲，無需頻繁迭代全息圖的優化步驟，為光鑷技術在動態環境中的應用開辟了新途徑。

圖1 基于深度學習的原子陣列制作方案概述。為了捕獲88Sr原子使用了光鑷陣列。空間光調制器(SLM)由基于U-net模型生成的神經網絡控制。該生成模型使用光鑷圖像和相應的SLM全息圖組成的全息圖數據集進行訓練，各種光鑷的配置可以根據需要創建。

圖2 生成式神經網絡產生的各種原子陣列。（a）~20個鑷子點的實驗吸收圖像，其中每個亮點對應~ 30個88Sr原子的集合。通過訓練后的生成神經網絡形成了正方形、三角形和蜂窩形狀的各種網格，晶格常數是15μm，吸收圖像通過sCMOS相機記錄。（b）當原子信號位于鑷子阱的中心時，我們將 SNR 定義為Isignal和Inoise的比值。（c）通過比較算法運行時間和鑷子陣列質量，顯示生成神經網絡（綠色）在所需迭代次數方面優于 GS 算法（紫色），無需迭代即可達到鑷子陣列的SNR。

文中提到在每個量子阱中均能捕獲幾十個Sr原子，為精確量化俘獲的原子數目，實驗將***束461nm的準直激光束照射Sr原子陣列，并通過鑫圖Dhyana 400BSI V3記錄光密度(OD)。因為不同的微觀陷阱可能捕獲的原子數量各異，從而引起局部光密度的顯著差異。因此這就要求相機具有足夠大的動態范圍，Dhyana 400BSI V3相機的動態范圍為90dB，這樣不僅有效防止了信號過飽和及損失，還確保了在光強變化劇烈的情況下依舊能進行準確的記錄。此外，Dhyana 400BSI V3具備6.5μm的高分辨率，這***特性對于精細區分并準確計算尤為關鍵，確保了對光鑷陣列中各離散光密度信號的清晰辨別。加之其峰值量子效率為95%，這樣能提高對原子陣列散發的微弱光信號的捕捉能力，使得數據收集更為靈敏且可靠。