空穴掺杂Hubbard簇的自主与系统控制策略比较：强化学习 versus 物理导向设计
强关联电子
2025-12-09 v1
摘要
工程量子点阵列中的电子关联性 requires navigation of high-dimensional, non-convex parameter spaces where hole doping fundamentally alters the physics. 我们对两种控制范式进行了比较研究，用于一个一个空穴、半填充的Hubbard模型：(i) 系统物理导向设计和(ii) 基于几何感知神经网络体系结构的自主深度强化学习。虽然系统分析揭示了关键设计原则，例如通过场诱导局域化来捕获mobile hole，但对于优化来说变得计算上不可行。我们证明，一个自主RL代理，横跨从四面体到面心立方（FCC）的五个3D晶格进行基准测试，实现了人类水平的准确度（R² > 0.97）和95.5%的held-out任务成功率。该代理比网格搜索高出3-4个数量级的样本效率，并优于其他黑箱优化方法。迁移学习实现了91%的few-shot对未知几何体的泛化。该工作确立了自主RL作为复杂量子系统中快速优化和非显然策略发现的可行且高度有效的框架。
引用
@article{arxiv.2512.06095,
title = {Comparative Analysis of Autonomous and Systematic Control Strategies for Hole-Doped Hubbard Clusters: Reinforcement Learning versus Physics-Guided Design},
author = {Shivanshu Dwivedi and Kalum Palandage},
journal= {arXiv preprint arXiv:2512.06095},
year = {2025}
}