利用深度强化学习在微游动器中涌现奇弹性
软凝聚态物质
2024-06-10 v2 应用物理
摘要
我们使用带强化学习的深度Q网络（Deep Q-Network）研究弹性微游动器模型中奇弹性（odd elasticity）的涌现。对于弹性微游动器，由于复杂的弹性-流体动力学相互作用，难以获得优化动力学。然而，我们的机器训练模型采用一种新颖的转移策略（等待行为）来优化运动。对于训练后的微游动器，我们通过循环面积（称为非互易性）与循环频率的乘积评估循环性能，并表明平均游动速度正比于该性能。通过计算力-位移关联，我们获得了微游动器的有效奇弹性以表征其非互易动力学。该涌现的奇弹性被证明与循环变形的循环频率密切相关。我们的工作展示了机器学习在实现弹性微游动器最优动力学中的效用，并引入了后分析方法来提取诸如非互易性与奇弹性等关键物理量。
引用
@article{arxiv.2311.01973,
title = {Emergence of odd elasticity in a microswimmer using deep reinforcement learning},
author = {Li-Shing Lin and Kento Yasuda and Kenta Ishimoto and Shigeyuki Komura},
journal= {arXiv preprint arXiv:2311.01973},
year = {2024}
}