基于深度强化学习的量子态相干传输
量子物理
2021-07-14 v1
摘要
物理学中的某些问题只有在猜出合适的 \textit{ansatz} 解之后才能处理。因此，这种方法难以推广，适用范围有限。通过绝热通道将量子态相干传输穿过半导体量子点阵列为这种方法提供了一个绝佳的例子，其中必须引入其所谓的反直觉控制门 \textit{ansatz} 脉冲序列。相反，深度强化学习技术已被证明能够解决涉及短期与长期奖励竞争的非常复杂的序贯决策问题，尽管缺乏先验知识。我们表明，在上述问题中，深度强化学习发现的控制序列优于 \textit{ansatz} 反直觉序列。更有趣的是，当现实扰动影响理想系统时，它发现了新的策略，在将量子点基态之间的能级失谐或退相干加入主方程时，具有更好的速度和保真度，同时也减轻了损耗的影响。当有先验知识可用时，通过利用先验知识可加速策略收敛，该方法实现了对现实系统的在线更新。深度强化学习被证明能有效控制量子态的动力学，并且更一般地，它适用于 \textit{ansatz} 解未知或不足以有效处理该问题的任何情况。
引用
@article{arxiv.1901.06603,
title = {Coherent Transport of Quantum States by Deep Reinforcement Learning},
author = {Riccardo Porotti and Dario Tamascelli and Marcello Restelli and Enrico Prati},
journal= {arXiv preprint arXiv:1901.06603},
year = {2021}
}
备注
5 figures