利用强化学习求解量子热机功率、效率与涨落的帕累托最优循环

量子热机的全面优化需要在高功率、高效率和高稳定性（即低功率涨落）下运行。然而，这三个目标无法同时优化——如所谓的热力学不确定关系所示——且迄今尚未有系统方法找到包括功率涨落在内的它们之间的最优平衡。在此我们提出这样一个通用框架，以识别驱动量子热机在功率、效率和涨落之间权衡的帕累托最优循环。我们随后采用强化学习来识别基于量子点的热机的帕累托前沿，并发现当在优化两个与三个目标之间切换时，最优循环形式发生突变。我们进一步推导了快驱动与慢驱动 regime 下的解析结果，准确描述了帕累托前沿的不同区域。