用于超冷量子气体优化与控制的高维强化学习
量子气体
2024-01-02 v2 原子物理
摘要
机器学习技术正在成为实验物理学中的宝贵工具，其中强化学习有望在波动环境中控制高维、多阶段过程。在本实验工作中，我们将强化学习应用于超冷量子气体的制备，以在微开尔文温度下实现数量一致且大量的原子。该强化学习智能体在由三十个感知参数表征的动态变化环境中确定了三十个控制参数的最优集合。通过将此方法与训练监督学习回归模型的方法以及人类驱动的控制方案进行比较，我们发现两种机器学习方法都能准确预测冷却原子的数量，并且都偶尔产生超人控制方案。然而，只有强化学习方法即使在动态环境中也能实现一致的结果。
引用
@article{arxiv.2308.05216,
title = {High-dimensional reinforcement learning for optimization and control of ultracold quantum gases},
author = {Nicholas Milson and Arina Tashchilina and Tian Ooi and Anna Czarnecka and Zaheen F. Ahmad and Lindsay J. LeBlanc},
journal= {arXiv preprint arXiv:2308.05216},
year = {2024}
}