用于量子哈密顿量工程的深度强化学习
量子物理
2022-11-17 v1 原子与分子团簇
计算物理
摘要
在量子多体系统中设计所需哈密顿量对于量子模拟、计算与传感等应用至关重要。传统的量子哈密顿量工程序列基于微扰理论由人类直觉设计，可能无法描述最优解，且无法容纳复杂的实验缺陷。在此，我们利用深度强化学习（DRL）技术数值搜索哈密顿量工程序列，并在固态核磁共振量子模拟器上实验证明它们优于著名的序列。作为一个例子，我们旨在解耦强相互作用的自旋-1/2 系统。我们在不同实验缺陷存在下训练 DRL 智能体，并在模拟与实验中验证输出序列的鲁棒性。令人惊讶的是，许多学到的序列展现出据我们所知此前未被发现的共同模式，但具有有意义的解析描述。因此我们可基于该控制模式限制搜索空间，从而搜索更长序列，最终得到对实验中主要缺陷鲁棒的序列。我们的结果不仅展示了一种量子哈密顿量工程的通用方法，也凸显了将黑箱人工智能与对物理系统的理解相结合以实现实验可行应用的重要性。
引用
@article{arxiv.2102.13161,
title = {Deep reinforcement learning for quantum Hamiltonian engineering},
author = {Pai Peng and Xiaoyang Huang and Chao Yin and Linta Joseph and Chandrasekhar Ramanathan and Paola Cappellaro},
journal= {arXiv preprint arXiv:2102.13161},
year = {2022}
}
备注
20 pages, 10+6 figures, 1+2 tables