通过深度强化学习智能体操纵自旋动力学
量子物理
2019-02-21 v2 量子气体
摘要
我们为自旋 1 原子系统实现了强化学习智能体，以从给定初始态制备自旋压缩态。近端策略梯度 (PPO) 算法被用于处理连续外部控制场，最终优化协议由随机策略给出。在平均场系统和双体量子系统中，强化学习智能体均找到了最优策略。在多体量子系统中，它也给出了优于纯贪婪策略和优化绝热通道的策略。强化学习智能体给出的这些策略在相空间中具有良好的物理可解释性，可能有助于我们理解量子动力学。事实上，强化学习在量子最优控制问题中可能具有高度的通用性。
引用
@article{arxiv.1901.08748,
title = {Manipulation of Spin Dynamics by Deep Reinforcement Learning Agent},
author = {Jun-Jie Chen and Ming Xue},
journal= {arXiv preprint arXiv:1901.08748},
year = {2019}
}
备注
8pages, 8 figures