通过强化学习控制量子多体系统中的非均匀性

寻找抑制任意初始状态下量子热化的优化控制策略，即所谓的量子非均匀性控制，对量子信息科学和技术具有重要意义。以往的控制方法主要依赖于目标量子系统的理论模型，但不可逆的模型近似和不准确性可能导致控制失败。我们发展了一个无模型且基于深度强化学习（DRL）的框架，用于量子非均匀性控制。它是一种机器学习方法，独特地关注在最大化累积奖励以保持初始记忆在时间依赖的非均匀度量上的平衡，以实现在长时间段内的非均匀性控制。我们使用典型的一维倾斜费米- Hubbard系统来演示DRL代理仅通过与环境的相互作用即可高效学习量子多体系统。通过DRL获得的最优策略为在相图上管理非均匀性提供更广泛的控制场景，与例如针对Wannier-Stark局域化的特定协议相比。连续的控制协议和观察在实验上是可行的。DRL的无模型特性以及其灵活的控制函数搜索空间为更复杂的量子多体系统中的非均匀性控制提供了前景。