实现发现量子系统实时反馈控制策略的深度强化学习智能体
量子物理
2023-11-09 v1
摘要
为充分发挥量子技术的潜力,寻找实时控制量子信息处理设备的良好策略变得愈发重要。通常这些策略需要对设备本身有精确理解,而这通常无法获得。无模型强化学习通过从零开始发现控制策略而不依赖量子系统的精确描述,规避了这一需求。此外,诸如态制备、门隐形传态和纠错等重要任务所需的反馈时间尺度远短于相干时间,对超导电路而言为微秒量级。开发并训练能够在此实时反馈机制中运行的深度强化学习智能体一直是一项开放挑战。在此,我们以现场可编程门阵列(FPGA)上延迟优化的深度神经网络形式实现了此类智能体。我们展示了其用于高效将超导量子比特初始化至目标态的用途。为训练该智能体,我们采用仅基于测量数据的无模型强化学习。我们研究了该智能体在强测量与弱测量下以及三能级读出时的性能,并与基于阈值的简单策略进行比较。该演示推动了进一步研究,以促进强化学习在量子设备实时反馈控制以及更一般地任何需要可学习低延迟反馈控制的物理系统中的采用。
引用
@article{arxiv.2210.16715,
title = {Realizing a deep reinforcement learning agent discovering real-time feedback control strategies for a quantum system},
author = {Kevin Reuer and Jonas Landgraf and Thomas Fösel and James O'Sullivan and Liberto Beltrán and Abdulkadir Akin and Graham J. Norris and Ants Remm and Michael Kerschbaum and Jean-Claude Besse and Florian Marquardt and Andreas Wallraff and Christopher Eichler},
journal= {arXiv preprint arXiv:2210.16715},
year = {2023}
}
备注
14 pages, 10 figures