利用机器学习实现量子热机的最优控制
量子物理
2022-03-24 v1 无序系统与神经网络
统计力学
摘要
自热力学诞生以来，识别最优热力学过程一直是其核心要义。本文表明，可微编程（DP，一种机器学习（ML）工具）可用于优化量子热机中的有限时间热力学过程。我们考虑以含时谐振子为工质的范式量子奥托热机，并基于绝热捷径（STA）协议展开研究。我们将STA驱动协议表述为一个约束优化任务，并应用DP为适当的优值指标寻找最优驱动曲线。我们的ML方案所发现的压缩与膨胀冲程的驱动曲线优于先前提出的协议。此外，利用我们的ML算法，我们指出先前采用的、直观的STA驱动能量代价存在一个根本性缺陷，并通过代价函数的另一种构造加以解决。我们的方法与结果证明，ML既有助于求解强约束量子控制问题，也有助于设计并评估其理论基础。
引用
@article{arxiv.2108.12441,
title = {Optimal control of quantum thermal machines using machine learning},
author = {Ilia Khait and Juan Carrasquilla and Dvira Segal},
journal= {arXiv preprint arXiv:2108.12441},
year = {2022}
}
备注
5 pages + 5 figures, SM: 3 page + 1 figure. Comments are welcomed!