面向光学系统的深度强化学习：以锁模激光器为例
信号处理
2020-06-11 v1 光学
摘要
我们证明深度强化学习 (deep RL) 为光学系统的控制与自调谐提供了高效策略。深度 RL 将深度神经网络与强化学习这两类主流机器学习架构相融合，从而产生稳健且稳定的控制学习。深度 RL 非常适用于光学系统，因为其调谐与控制依赖于与环境的交互，并以目标导向的目标来实现最优即时或延迟奖励。这使得光学系统能够识别双稳态结构，并通过轨迹规划导航至最优性能解——这是首个在光学系统中实现此类功能的算法。我们具体在锁模激光器上演示了深度 RL 架构，其中通过深度 RL 智能体对其波片与偏振器的访问可建立稳健的自调谐与控制。我们进一步集成迁移学习，以帮助深度 RL 智能体快速学习新参数区间并泛化其控制能力。此外，深度 RL 学习可轻易与其他控制范式集成，从而提供控制任意光学系统的广泛框架。
引用
@article{arxiv.2006.05579,
title = {Deep reinforcement learning for optical systems: A case study of mode-locked lasers},
author = {Chang Sun and Eurika Kaiser and Steven L. Brunton and J. Nathan Kutz},
journal= {arXiv preprint arXiv:2006.05579},
year = {2020}
}