用于自主制备弗洛凯工程态的强化学习：反转量子卡皮察振子
量子气体
2018-12-18 v2 其他凝聚态物理
统计力学
计算物理
量子物理
摘要
我展示了强化学习（RL）在制备强周期驱动非线性单粒子模型量子态方面的潜力。Q-Learning 控制远离平衡态系统的能力体现在：在强周期驱动下，于数个摇动周期内将量子卡皮察振子操控至弗洛凯工程化的稳定倒立位置。该研究揭示了在中等驱动频率下，常被弗洛凯工程所忽略的周期内（微运动）动力学的潜力，其可优于纯频闪控制。无需任何底层物理系统的知识，该算法仅能从尝试过的协议和模拟的含噪量子测量数据中学习，并且对初态噪声和控制序列中的随机失效事件具有稳定性。无模型 RL 可为自动化经历复杂动力学的非平衡系统实验装置提供新思路，在量子信息、量子光学、超冷原子、囚禁离子和凝聚态中具有潜在应用。
引用
@article{arxiv.1808.08910,
title = {Reinforcement learning for autonomous preparation of Floquet-engineered states: Inverting the quantum Kapitza oscillator},
author = {Marin Bukov},
journal= {arXiv preprint arXiv:1808.08910},
year = {2018}
}
备注
Legends for the movies referred to in the paper are available on https://mgbukov.github.io/RL_kapitza/