面向量子器件高效测量的深度强化学习
介观与纳米尺度物理
2021-07-08 v1 机器学习
量子物理
摘要
深度强化学习是一种新兴的机器学习方法，能够像人类从经验中学习一样，教计算机从自身行动与奖励中学习。它在自动化决策过程以探索大型参数空间方面具有诸多优势。本文提出一种基于深度强化学习的量子器件高效测量新方法。我们聚焦于双量子点器件，展示了对称为偏置三角形的特定输运特征的完全自动识别。针对这些特征的测量难以自动化，因为偏置三角形存在于参数空间中原本无特征的区域。我们的算法识别偏置三角形的平均时间少于 30 分钟，有时短至 1 分钟。这种基于对决深度 Q 网络（dueling deep Q-networks）的方法可适用于广泛的器件与目标输运特征。这是深度强化学习在量子器件测量与操控决策中实用性的关键演示。
引用
@article{arxiv.2009.14825,
title = {Deep Reinforcement Learning for Efficient Measurement of Quantum Devices},
author = {V. Nguyen and S. B. Orbell and D. T. Lennon and H. Moon and F. Vigneau and L. C. Camenzind and L. Yu and D. M. Zumbühl and G. A. D. Briggs and M. A. Osborne and D. Sejdinovic and N. Ares},
journal= {arXiv preprint arXiv:2009.14825},
year = {2021}
}