用于量子控制的基于辅助任务的深度强化学习
量子物理
2023-03-01 v1 机器学习
系统与控制
系统与控制
摘要
由于不需要环境的先验知识，强化学习在量子控制问题中具有巨大潜力。在本工作中，我们研究了基于深度确定性策略梯度的连续控制策略的有效性。为了解决量子学习控制问题中的稀疏奖励信号，我们提出了一种用于量子控制的基于辅助任务的深度强化学习（AT-DRL）。具体而言，我们首先设计了一个基于量子态保真度的引导奖励函数，以实现保真度的渐进提升。然后，我们引入了辅助任务的概念，其网络与主网络共享参数，以预测环境提供的奖励（称为主任务）。辅助任务与主任务同步学习，从而能够选择环境中最相关的特征，进而帮助智能体理解如何达到期望的状态。数值模拟表明，所提出的 AT-DRL 可以为量子系统中的稀疏奖励提供解决方案，并在设计实现高效量子态制备的控制脉冲方面具有巨大潜力。
引用
@article{arxiv.2302.14312,
title = {Auxiliary Task-based Deep Reinforcement Learning for Quantum Control},
author = {Shumin Zhou and Hailan Ma and Sen Kuang and Daoyi Dong},
journal= {arXiv preprint arXiv:2302.14312},
year = {2023}
}
备注
13 pages, 11 figures