基于强化学习的量子链设计以实现最优能量传输

我们提出了一种基于强化学习 (Reinforcement Learning) 的自底向上方法，用于设计具有高效激发传输性能的量子链。我们假设在紧束缚 (tight-binding) 条件下，排列成链状的粒子之间存在距离依赖的相互作用。从两个粒子和一个局域化激发开始，我们逐步增加系统的组成粒子数量以提高传输概率。我们将寻找最优粒子位置和数量的问题表述为马尔可夫决策过程 (Markov Decision Process)：利用近端策略优化 (Proximal Policy Optimization) 算法，在不同场景下寻找最优的链构建策略和最优链构型。我们既考虑了目标为连接在链末端的汇 (sink) 的情况，也考虑了目标为链中最右侧粒子的情况。此外，我们还解决了由粒子定位误差引起的链无序问题。在所有情况下，我们均能实现极高的激发传输效率，且具体的链构型和性质取决于特定条件。