自动自旋链学习以探索量子速度极限

人工智能的宏伟目标之一是构建一台在仅有有限知识与数据提供时仍能超越人类智能的机器。强化学习（RL）为实现该目标提供了这样一种可能。本工作中，我们考虑量子物理中的一项具体任务，即一维自旋链中的量子态传输。机器的使命是找到速度最快同时保持高传输保真度的传输方案。我们考虑的第一种情形是哈密顿量时间无关。我们通过最小化依赖于保真度与速度的损失函数来更新耦合强度。与已被证明处于完美态传输量子速度极限的方案相比，RL 给出的方案更快，且将非保真度维持在 $5\times 10^{-4}$ 以下。在引入含时外场的第二种情形中，我们将态传输过程转化为机器可理解的马尔可夫决策过程，并利用深度 Q 学习算法求解。训练后，机器成功找到了具有高保真度与高速度的传输方案，且快于先前已知方案。这些结果表明强化学习可成为量子控制问题的有力工具。