一种基于深度学习的芯片原子钟

1.本发明涉及原子钟
技术领域：
：，尤其涉及一种基于深度学习的芯片原子钟。
背景技术：
：：2.原子钟是目前最精确的时间频率标准装置，芯片原子钟是大小、重量都与芯片相当的原子钟，因其在小体积、轻重量、低功耗的同时能保证高精度的时频输出，因此在对体积和功耗有严格要求又需要较高频率稳定度的场景中芯片原子钟具有广泛的应用前景。芯片原子钟是新一代自主导航授时微终端，被广泛应用到定位、导航、勘测、通信、雷达等尖端
技术领域：
：。3.芯片原子钟的基本原理是相干布局囚禁(coherentpopulationtrapping,cpt)，芯片原子钟通过微波调制激光器获得相干双色光与原子气室中的原子作用实现cpt共振，获得原子钟所需的该原子特定能级辐射跃迁的稳定微波频率作为谱线信号，通过电子学器件将微波频率转化成实际应用中方便使用的标准频率输出。芯片原子钟由物理系统和控制系统组成，物理系统是整个芯片原子钟的核心，其中激光器和原子气室又是物理系统中的关键部件。芯片原子钟所用的激光器为垂直腔面发射激光器(verticalcavitysurfaceemittinglaser，vcsel)，vcsel激光器的工作电流、工作温度和微波功率将会直接导致cpt共振频率变化，直接影响芯片原子钟的稳定性。并且由于激光器在工作时的腔内损耗，使得激光器腔的温度升高，造成激光频率的变化。理想条件下(原子/离子是无干扰、静止的)，原子气室中的原子受激光照射后在能级跃迁频率是恒定不变的，不会随时间地点发生变化。但事实上，人们无法给原子创造一个理想的条件，会感受到各种各样的外部干扰：温度变化、磁场、电场、黑体辐射场等，上述非理想的情况都会导致原子内部能级跃迁频率发生变化。芯片原子钟的短期频率稳定度取决于激光器的频率波动、功率波动以及偏振模式跳变等，而芯片原子钟的中长期稳定度主要受温度变化、磁场变化、机械振动、压力变化等影响。芯片原子钟的长期频率稳定性和对环境的高度适应能力将直接关系到授时体系的准确性和稳健性。4.目前芯片原子钟只能通过物理系统封装、温度控制电子伺服系统、磁屏蔽等方式被动地对温度、外界磁场进行校正。电子伺服系统虽然能保证特定条件下芯片原子钟的长期频率稳定度，但受到数据采样分析与被动伺服能力的限制，长期的频率漂移问题依然难以克服，且难以适应更广泛的环境条件，严重限制其应用范围。5.因此，如何保证原子钟高精度的特性以及整机系统性能稳定特性是目前研究领域至关重要的方向。技术实现要素：6.本发明提出了一种基于深度学习的芯片原子钟，该原子钟能够对芯片原子钟诸多外界影响因素(例如：温度变化、磁场变化、机械振动、压力变化等)进行整合，采用精准鲁棒的修正算法，提升芯片原子钟的长期稳定度与环境适应性，突破芯片原子钟的智能伺服等关键技术，详见下文描述：7.一种基于深度学习的芯片原子钟，所述芯片原子钟包括：物理系统、电子伺服系统、深度学习系统，8.通过物理系统获得窄线宽鉴频信号cpt信号，通过电子伺服系统将输出频率锁定到原子气室中原子的稳定原子能级上，利用深度学习系统对输出频率长期稳定进行优化并实现实时反馈。采用深度学习系统对芯片原子钟在不同工作状态下的频率稳定度和不同外部环境下芯片原子钟的频率稳定度进行学习，通过特征学习的方式从大量样本中学习训练建立深度学习芯片原子钟的数学物理模型；9.采用卷积神经网络拟合识别外界环境影响因素和cpt信号之间的输入输出映射关系，实现端到端的信号检测，为芯片原子钟控制系统提供实时反馈。10.其中，所述物理系统包括：垂直腔面发射激光器vcsel、原子气室、λ/4玻片及光电探测器；11.原子气室采用微机电系统技术(micro-electromechanicalsystems,mems)进行加工，并且需要填充缓冲气体以减少碰撞频移；12.所述电子伺服系统包括：伺服环路；13.所述深度学习系统采用卷积神经网络结构，包括：输入层、卷积层、池化层、全连接层和输出层。14.进一步地，所述伺服环路包含的器件如下：15.频率合成计、环路滤波器、压控振荡器，三个器件共同组成射频模块；16.衰减器、放大与滤波、微控制器，三个器件共同组成调制解调模块。17.其中，所述通过特征学习的方式从大量样本中学习训练建立深度学习芯片原子钟的数学物理模型具体为：18.采用深度学习系统对芯片原子钟在不同工作状态(主要包括：vcsel激光器不同的工作温度与工作电流、原子气室不同的工作温度、c场不同的工作电流)下的频率稳定度和不同外部环境(主要包括：不同温度、不同磁场、机械振动、压力变化)下芯片原子钟的频率稳定度进行学习，通过特征学习的方式从大量样本中学习训练建立深度学习芯片原子钟的数学物理模型；并采用dqn的强化学习反复迭代，根据自身的∈-greedy策略来求值函数，并依据所求得的值函数更新数学物理模型。19.进一步地，所述采用卷积神经网络拟合识别外界影响因素和cpt信号之间的输入输出映射关系，实现端到端的信号检测具体为：20.利用伺服环路将通过物理系统后获得的cpt信号对微波链前的晶振鉴频，使晶振的输出频率锁定在稳定的原子能级差上从而输出稳定频率；同时利用深度学习系统根据实时获得的cpt信号对芯片原子钟整机长期稳定度进行优化，具体优化方式为：21.通过训练得到的数学物理模型实时分析当前外部环境下最优长期稳定度，根据模型得到相应的电子伺服系统反馈量，利用电子伺服系统对vcsel激光器的工作温度与工作电流、原子气室的工作温度、c场的工作电流进行微控反馈调节。22.系统整机采用芯片系统级封装(systeminapackage,sip)技术实现整机集成。23.本发明提供的技术方案的有益效果是：24.1、本发明通过卷积神经网络深度学习的方式对芯片原子钟的诸多外界影响因素中的关键特征(例如：温度，磁场、机械振动、压力变化等)进行自动识别和提取，利用电子伺服系统对vcsel激光器的工作温度与工作电流、原子气室的工作温度、c场的工作电流进行微控反馈调节，从而为芯片原子钟提供精准的实时反馈，保证原子钟系统的长期频率稳定性；25.2、本发明首次采用深度学习的方式主动为芯片原子钟实现精准的实时环境反馈，保证了芯片原子钟的长期稳定性，使得芯片原子钟能够适应更广泛的环境，大大提升其应用范围；26.3、本发明突破传统原子钟由于无法自主识别外界环境变化而引起的系统频率不稳定、调整慢及调整误差大等瓶颈，创新性的实现了频率更稳定，适应范围更广的新一代芯片原子钟。附图说明27.图1为一种基于深度学习的芯片原子钟的结构示意图；28.图2为深度学习系统的结构示意图；29.图3为伺服环路的结构示意图。具体实施方式30.为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。31.作为人工智能的一个先进分支，深度学习基于“端到端”的学习范式，在处理多保真高维原始数据方面具有突出的优势，为复杂非线性问题的求解提供了新的途径，现已在计算机视觉、健康监测、自然语言处理等领域取得了一系列成功的应用，但目前尚未开展深度学习方法在芯片原子钟领域的应用研究。32.基于深度学习的芯片原子钟可以扩展深度学习的应用范围，构建新一代自主智能芯片原子钟，充分结合数据驱动和模型驱动，训练具有良好优化性能和泛化性能的神经网络模型，对芯片原子钟的诸多外界影响因素中的关键特征进行自动识别和提取，开发稳定鲁棒的修正算法，为芯片原子钟控制系统提供精准的实时反馈，有望显著加快芯片原子钟系统的优化及稳定过程，解决依靠机器算法的传统原子钟所存在的数据不准确、不全面等问题，由此突破传统原子钟由于无法自动识别外界环境变化而引起的系统频率不稳定、调整慢及调整误差大等瓶颈。33.因此，采用深度学习的方法来提高原子钟精度以及整机系统性能的稳定特性。在深度学习的应用范围，构建新一代自主智能芯片原子钟，充分结合数据驱动和模型驱动，训练具有良好优化性能和泛化性能的神经网络模型，对芯片原子钟诸多外界影响因素中的关键特征进行自动识别和提取，开发稳定鲁棒的修正算法，为芯片原子钟控制系统提供精准的实时反馈，有望显著加快芯片原子钟系统的优化及稳定过程，解决依靠机器算法的传统原子钟所存在的数据不准确、不全面等问题，由此突破传统原子钟由于无法自动识别外界环境变化而引起的系统频率不稳定、调整慢及调整误差大等瓶颈。目前国内外尚未开展基于深度学习的芯片原子钟研究，此项研究具有开创性和引领性，所实现的自主智能芯片原子钟长期稳定度和温度适应性有望达到世界领先水平。34.实施例135.一种基于深度学习的芯片原子钟，参见图1芯片原子钟的结构由物理系统、电子伺服系统、深度学习系统组成。36.其中，物理系统包括：垂直腔面发射激光器vcsel、原子气室、λ/4玻片及光电探测器。37.参见图2，电子伺服系统包括：伺服微控电路，即：伺服环路，伺服环路包含的器件如下：频率合成计、环路滤波器、压控振荡器(上述三个器件组成了射频模块)；衰减器、放大与滤波、微控制器(该三个器件组成了调制解调模块)。38.参见图3，深度学习系统采用卷积神经网络结构，该系统包括：输入层、卷积层、池化层、全连接层和输出层。39.基于深度学习的芯片原子钟的工作原理如图1所示：直流电流与微波链输出的高频微波经过耦合后输入至垂直腔面发射激光器vcsel中，使激光器产生调频多色光，该光为线偏光，经过λ/4玻片后变为圆偏光，并与mems原子气室中的原子相互作用。40.将原子气室中原子的能级简化为三能级(基态1》、基态2》、激发态3》)，激光器输出的调频多色光中正负一阶边带光与原子跃迁共振分别激发基态1》到激发态3》的跃迁，及基态2》到激发态3》的跃迁。当正负一阶边带光的频率差与基态1》和基态2》之间的频率差精确相等时(即上述的两个频率差相等)就会产生相干布局囚禁(coherentpopulationtrap,cpt)。cpt为本领域技术人员所公知的光学现象。cpt共振时原子荧光辐射为暗态，对应的透射光为亮态，即产生cpt共振时探测器能检测到一个窄线宽信号该信号为cpt信号。利用伺服环路将通过物理系统后获得的窄线宽cpt信号作为鉴频信号对微波链前的晶振鉴频，使晶振输出的频率与稳定的原子能级频率差产生强关联，伺服环路将标准频率锁定在鉴频信号的中心频率处，从而使晶振输出稳定的频率。41.当外界环境变化时，采用深度学习的方法来提高芯片原子钟长期稳定度。42.首先通过特征学习的方式从大量样本中学习训练建立深度学习芯片原子钟的数学物理模型：采用深度学习系统对芯片原子钟在不同工作状态(主要包括：vcsel激光器不同的工作温度与工作电流、原子气室不同的工作温度、c场不同的工作电流)下的频率稳定度和不同外部环境(主要包括：不同温度、不同磁场、机械振动、压力变化)下芯片原子钟的频率稳定度进行学习，通过特征学习的方式从大量样本中学习训练建立深度学习芯片原子钟的数学物理模型；并采用dqn的强化学习反复迭代，根据自身的∈-greedy策略来求值函数，并依据所求得的值函数更新数学物理模型。43.采用卷积神经网络拟合识别外界影响因素和cpt信号之间的输入输出映射关系，实现端到端的信号检测；利用伺服环路将通过物理系统后获得的cpt信号对微波链前的晶振鉴频，使晶振的输出频率锁定在稳定的原子能级差上从而输出稳定频率；同时利用深度学习系统根据实时获得的cpt信号对芯片原子钟整机长期稳定度进行优化，具体优化方式为：通过训练得到的数学物理模型实时分析当前外部环境下最优长期稳定度，根据模型得到相应的电子伺服系统反馈量，利用电子伺服系统对vcsel激光器的工作温度与工作电流、原子气室的工作温度、c场的工作电流进行微控反馈调节，从而实现端到端的信号检测，为芯片原子钟控制系统提供精准的实时反馈。44.参见图2，基于深度学习的芯片原子钟的卷积神经网络的层级结构包括：输入层、卷积层、池化层、全连接层和输出层。输入层接收cpt信号数据的输入并进行初步处理，在卷积层中通过卷积计算抽取信号谱的有效特征，再经过池化层压缩数据减少过拟合现象，平坦化后通过全连接层的神经元权值连接到输出层。通过卷积神经网络能够拟合识别外界影响因素和cpt信号之间的输入输出映射关系，从而实现端到端的信号检测，为芯片原子钟控制系统提供精准的实时反馈。45.针对不同的原子采用不同的调制频率，87rb采用3.4ghz、6.8ghz，85rb采用1.5ghz、3.0ghz，铯原子为4.6ghz、9.2ghz，本发明实施例仅以此些数值为例进行说明，可以根据实际应用中的需要进行设定，本发明实施例对此不做限制。46.进一步地，为了减小碰撞频移，原子气室内需冲入缓冲气体，通常为氦、氩、氙和氡等惰性气体，可以根据实际应用中的需要选择不同配比的缓冲气体，本发明实施例对此不做限制。47.优选地，采用卷积神经网络进行深度学习，并使用在线学习的方式产生神经网络模型，即不需要一开始就提供完整的训练数据集，随着更多的实时数据的到达，使得基于神经网络的cpt原子钟环境识别模型在操作中不断更新不断优化。48.具体实现时，进一步采用dqn(deepq-network)强化学习。dqn为融合了神经网络和q-learning的方法，通过强化学习反复迭代，不断的根据自身的∈-greedy策略来求值函数，并依据所求得的值函数更新策略网络。49.其中，dqn方法里的q值是值函数，q(s,a)指代在某一时刻的s状态下(s∈s)，采取a(a∈a)动作能够获得收益的期望，环境s会根据采取的动作a反馈相应的回报r，算法的主要思想是将环境与动作构建成一张q-table来存储q值，然后根据q值来选取能够获得最大的收益的动作。该算法为本领域技术人员所公知，本发明实施例对此不做赘述。50.实施例251.下面结合图1和图2对实施例1中的方案进行进一步地介绍，详见下文描述：52.101：将vcsel激光管、原子气室、光电探测器放置在基板上，保证光学中心处于同一水平线；53.即保证vcsel激光管、原子气室、光电探测器的光学中心高度一致，在一条水平线上。54.102：直流电流和微波链输出的微波经过耦合(即tee)输入到vcsel激光管，并输出调频多色光；调频多色光经过λ/4玻片后变为圆偏光与原子气室内的原子发生反应；55.103：经过原子气室后的，产生cpt共振时探测器能检测到一个窄线宽信号该信号为cpt信号，cpt光信号被光电探测器探测到后，将光信号转变为电信号；56.104：将大量cpt信号作为深度学习的样本，通过卷积神经网络训练得到基于神经网络的cpt原子钟环境识别模型；57.其中，本发明实施例对该基于神经网络的cpt原子钟环境识别模型中的各层参数和卷积核的尺寸和数量等不做限制，该模型训练的流程为：获取cpt信号数据集——数据预处理——得到训练集——训练集模型——训练结束。58.105：利用伺服环路将通过物理系统后获得的cpt信号对微波链前的晶振鉴频，使晶振的输出频率锁定在稳定的原子能级差上从而输出稳定频率；同时晶振输出两路信号，一路信号提供标准频率10mhz输出，另一路信号输出到微波链电路中；59.106：利用训练好的基于神经网络的cpt原子钟环境识别模型对实时的cpt信号进行识别，实时分析当前外部环境下最优长期稳定度，根据模型得到相应的电子伺服系统反馈量，利用电子伺服系统对vcsel激光器的工作温度与工作电流、原子气室的工作温度、c场的工作电流进行微控反馈调节提高整机性能；60.其中，系统反馈量即设置的目标值和实际值的差值，伺服环路根据差值的大小来控制激光器，从而完成锁定。61.109：利用dqn算法进行深度强化学习，不断地优化基于神经网络的cpt原子钟环境识别模型，最终得到优化后的芯片原子钟。62.本发明实施例先采用卷积神经网络来进行深度学习，有了大量数据后再进行强化学习(强化学习的算法是基于卷积网络的dqn(深度q神经网络)算法)。63.本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。64.本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。65.以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12当前第1页12
技术特征：
1.一种基于深度学习的芯片原子钟，其特征在于，所述芯片原子钟包括：物理系统、电子伺服系统、深度学习系统，通过物理系统获得窄线宽鉴频信号cpt信号，通过电子伺服系统将输出频率锁定到原子气室中原子的稳定能级上，利用深度学习系统对输出频率长期稳定度进行优化并实时反馈；采用深度学习系统对芯片原子钟在不同工作状态下、不同外部环境下的频率稳定度进行学习，通过特征学习的方式从大量样本中学习训练建立深度学习芯片原子钟的数学物理模型；基于训练后的数学物理模型，采用卷积神经网络拟合识别外界环境影响因素和cpt信号之间的输入输出映射关系，实现端到端的信号检测，为芯片原子钟控制系统提供实时反馈。2.根据权利要求1所述的一种基于深度学习的芯片原子钟，其特征在于，所述物理系统包括：垂直腔面发射激光器、原子气室、λ/4玻片及光电探测器；原子气室采用微机电系统技术进行加工，填充缓冲气体以减少碰撞频移；所述电子伺服系统包括：伺服环路；所述深度学习系统采用卷积神经网络结构，包括：输入层、卷积层、池化层、全连接层和输出层。3.根据权利要求1所述的一种基于深度学习的芯片原子钟，其特征在于，所述电子伺服系统包括：频率合成计、环路滤波器、压控振荡器，三个器件共同组成射频模块；衰减器、放大与滤波、微控制器，三个器件共同组成调制解调模块。4.根据权利要求1所述的一种基于深度学习的芯片原子钟，其特征在于，所述通过特征学习的方式从大量样本中学习训练建立深度学习芯片原子钟的数学物理模型具体为：采用深度学习系统对芯片原子钟在不同工作状态下的频率稳定度和不同外部环境下芯片原子钟的频率稳定度进行学习，通过特征学习的方式从大量样本中学习训练建立深度学习芯片原子钟的数学物理模型；采用dqn的强化学习反复迭代，根据自身的∈-greedy策略来求值函数，并依据所求得的值函数更新数学物理模型。5.根据权利要求1所述的一种基于深度学习的芯片原子钟，其特征在于，所述采用卷积神经网络拟合识别外界环境影响因素和cpt信号之间的输入输出映射关系，实现端到端的信号检测具体为：利用伺服环路将通过物理系统后获得的cpt信号对微波链前的晶振鉴频，使晶振的输出频率锁定在稳定的原子能级差上从而输出稳定频率；利用深度学习系统根据实时获得的cpt信号对芯片原子钟整机长期稳定度进行优化，具体优化方式为：通过训练得到的数学物理模型实时分析当前外部环境下最优长期稳定度，根据模型得到相应的电子伺服系统反馈量，利用电子伺服系统对vcsel激光器的工作温度与工作电流、原子气室的工作温度、c场的工作电流进行微控反馈调节；系统整机采用芯片系统级封装技术实现整机集成。

技术总结
本发明公开了一种基于深度学习的芯片原子钟，所述芯片原子钟包括：物理系统、电子伺服系统、深度学习系统，采用深度学习系统提升芯片原子钟精度及稳定特性，利用深度学习系统通过特征学习的方式从大量样本中学习训练建立深度学习芯片原子钟的数学物理模型；采用卷积神经网络拟合识别外界影响因素和CPT信号之间的输入输出映射关系，实现端到端的信号检测，为芯片原子钟控制系统提供实时反馈。本发明通过卷积神经网络模型对芯片原子钟的诸多外界影响因素中的关键特征(例如：温度，磁场等)进行自动识别和提取，为芯片原子钟控制系统提供精准的实时反馈，保证原子钟系统频率的稳定性。性。性。


技术研发人员：陈景标 杨巧会 潘多
受保护的技术使用者：北京大学
技术研发日：2023.04.17
技术公布日：2023/8/1