利用强化学习对量子热机进行功率/效率权衡的无模型优化
量子物理
2023-11-07 v2 介观与纳米尺度物理
机器学习
化学物理
摘要
量子热机是一种开放量子系统，能够在微观或纳米尺度上实现热与功的转换。最优控制此类非平衡系统是一项关键但具有挑战性的任务，在量子技术与器件中有应用。我们引入一种基于强化学习（Reinforcement Learning）的通用无模型框架，以识别作为量子热机与制冷机功率和效率之间帕累托最优权衡的非平衡热力学循环。该方法不需要任何关于量子热机、系统模型或量子态的知识，而仅观测热流，因此既适用于模拟也适用于实验器件。我们在一个基于超导量子比特的实验可行制冷机模型以及一个基于量子谐振子的热机模型上测试了该方法。在两种情况下，我们都识别出了代表最优功率-效率权衡的帕累托前沿及相应循环。此类解优于文献中已有的方案（如优化 Otto 循环），降低了量子摩擦。
引用
@article{arxiv.2204.04785,
title = {Model-free optimization of power/efficiency tradeoffs in quantum thermal machines using reinforcement learning},
author = {Paolo Andrea Erdman and Frank Noé},
journal= {arXiv preprint arXiv:2204.04785},
year = {2023}
}
备注
7+13 pages, 9 figures. arXiv admin note: text overlap with arXiv:2108.13525