基于强化学习的非均匀 Dicke 量子电池充电优化
量子物理
2026-01-26 v2 人工智能
摘要
在非均匀性和部分可观测性条件下，充电优化是量子电池实现的关键挑战。本文采用强化学习方法，对非均匀 Dicke 电池的分段恒定充电策略进行优化。我们系统比较了四种可观测性情景下的策略，从完全状态访问到实验可获得的可观测量（即单个两能级系统(TLS)的能量、一阶平均值和二阶关联）。仿真结果表明，完全可观测性可实现接近最优的 ergotropy，且波动性低；而在部分可观测性下，仅获取单个 TLS 能量或能量加上一阶平均值的观察条件，优势不及完全观测的基准。然而，通过引入二阶关联增强部分观测，可恢复大部分差距，达到 94%-98% 于完全状态基准。学习得到的充电方案并非短视策略，愿意在暂时平台期或下降后，以换取更优的终端结果。这一发现突出了在现实信息约束下实现有效快速充电的可行路径。
引用
@article{arxiv.2511.12176,
title = {Reinforcement Learning for Charging Optimization of Inhomogeneous Dicke Quantum Batteries},
author = {Xiaobin Song and Siyuan Bai and Da-Wei Wang and Hanxiao Tao and Xizhe Wang and Rebing Wu and Benben Jiang},
journal= {arXiv preprint arXiv:2511.12176},
year = {2026}
}