面向鲁棒量子优化的深度强化学习
量子物理
2019-10-23 v1 计算物理
摘要
基于人工神经网络的机器学习技术已成功应用于解决科学中的诸多问题。机器学习中最引人关注的领域之一——强化学习，对物理学中的优化问题具有天然适用性。本工作中，我们使用深度强化学习与 Chopped Random Basis 优化，来解决基于在量子 Szilard 引擎中插入偏中心势垒的优化问题。我们表明，利用针对势垒强度时间依赖性的设计协议，即便对于非对称 Szilard 引擎，我们也能实现波函数的等分（在势垒任一侧找到粒子的概率均为1/2），从而在测量粒子位于哪一侧时不损失任何信息。这意味着非对称非绝热 Szilard 引擎可以与传统 Szilard 引擎（绝热插入中心势垒）相同的效率运行。我们比较了两种优化方法，并展示了强化学习在构建鲁棒且抗噪声协议方面的优势。
引用
@article{arxiv.1904.04712,
title = {Deep reinforcement learning for robust quantum optimization},
author = {Vegard B. Sørdal and Joakim Bergli},
journal= {arXiv preprint arXiv:1904.04712},
year = {2019}
}
备注
9 pages, 8 figures