基于量子强化学习的主动流动控制
流体动力学
2026-01-27 v1
摘要
由于流体动力学的高维、非线性特性，主动流动控制仍然是一个重大挑战。考虑到量子计算在某种程度上优于传统计算，量子机器学习可能有效解决这些问题。因此，本研究开发了一个基于量子强化学习（QRL）的主动流动控制框架，将变分量子电路（VQC）与近端策略优化（PPO）算法相结合，以学习一个实时控制器。首先，我们在CartPole问题中测试了QRL。QRL显示出参数效率和增强的学习能力，表明VQC是推进强化学习的有前途的候选者，特别是在需要计算效率和稳健性能的场景中。通过QRL测试了在雷诺数为100时流经方形圆柱体的主动控制。我们的混合架构将高维流动状态编码到量子策略网络中，该网络在圆柱体表面产生连续的吹气/吸气动作，从而抑制涡旋脱落以实现减阻。数值模拟表明，QRL成功降低了平均阻力并减弱了升力振荡。流场分析证实，QRL控制有效抑制了大尺度涡旋脱落，导致尾流比未控制的基线情况更窄。这些结果验证了量子增强学习在解决复杂流体动力学问题方面的潜力。所提出的QRL框架为航空航天设计、节能涡轮机械以及其他涉及复杂流固耦合应用中的量子人工智能加速解决方案建立了一个有前景的蓝图。
引用
@article{arxiv.2601.17801,
title = {Quantum reinforcement learning-based active flow control},
author = {Hongfu Zhang and Hui Tang},
journal= {arXiv preprint arXiv:2601.17801},
year = {2026}
}