科学中的自动化构件发现
量子物理
2022-12-27 v1 人工智能
机器学习
摘要
近年来，强化学习（RL）在科学及其科学发现过程中的应用日益成功。然而，尽管 RL 算法学会解决愈发复杂的问题，解释它们所提供的解决方案却变得更具挑战性。在这项工作中，我们通过基于序列挖掘与聚类的后验分析，深入洞察 RL 智能体的学习行为。具体而言，智能体用于解决给定任务的频繁且紧凑的子例程被提炼为构件（gadget），随后按多种度量进行分组。这一构件发现过程分为三个阶段：首先，我们使用 RL 智能体生成数据；然后，采用挖掘算法提取构件；最后，所获得的构件由基于密度的聚类算法分组。我们通过将两个量子启发的 RL 环境应用该方法来进行演示。首先，我们考虑用于设计高维多体纠缠态的模拟量子光学实验，算法找到了对应于现代干涉仪装置的构件。其次，我们考虑基于电路的量子计算环境，算法发现了用于量子信息处理（如量子隐形传态）的多种构件。这种分析已学习智能体策略的方法与智能体和环境无关，并可对任何智能体的策略产生有趣的见解。
引用
@article{arxiv.2212.12743,
title = {Automated Gadget Discovery in Science},
author = {Lea M. Trenkwalder and Andrea López Incera and Hendrik Poulsen Nautrup and Fulvio Flamini and Hans J. Briegel},
journal= {arXiv preprint arXiv:2212.12743},
year = {2022}
}