基于LSTM驱动的强化学习优化开放量子电池充电
量子物理
2025-04-29 v1
摘要
控制量子电池的充电过程涉及高效能量传递、存储与保留的策略，同时需减轻脱缸、能量耗散及由周围相互作用引起的效率问题。我们构建了一个模型，用于研究开放量子环境下的量子电池充电过程，其中电池与充电器及结构性储库相互作用。为克服静态充电协议的局限性，提出一种强化学习(RL)充电策略，利用深度确定性策略梯度算法配合长短期记忆(LSTM)网络。LSTM网络使RL模型能够捕获由非马尔可夫动力学驱动的时序关联，实现持续、自适应的充电策略。RL协议始终优于传统固定启发式策略，实时控制驱动场幅度和耦合参数。通过对电池-充电器反向能量流动进行惩罚，RL优化的充电策略促进从充电器到电池的高效单向能量传输，实现更高且更稳定的可提取能量。所提出的RL控制器将为更广泛配置和多细胞量子电池的高效充电方案提供框架。
引用
@article{arxiv.2504.19840,
title = {Optimizing the Charging of Open Quantum Batteries using Long Short-Term Memory-Driven Reinforcement Learning},
author = {Shadab Zakavati and Shahriar Salimi and Behrouz Arash},
journal= {arXiv preprint arXiv:2504.19840},
year = {2025}
}