用于自旋磁力计的最优控制强化学习
量子物理
2026-01-19 v1 无序系统与神经网络
摘要
在哈密顿量参数未知精确的情况下（尤其是在量子感知应用中），量子最优控制面临挑战，尤其是当目标态或最优单位变换未知时，尤其是在多参数估计的情况下。本文研究了使用强化学习 (RL)， specifically soft actor-critic (SAC) 算法，用于量子最优控制问题。我们采用基于自旋的磁力计作为 SAC 算法有效性的基准系统。在此类系统中，可通过项目测量确定作用在自旋上的背景磁场的大小。通过施加不同强度的横向场脉冲，可优化确定大小的精度。我们在自旋系统的数值仿真中训练 RL 代理，以确定优化精度的横向场脉冲序列，并将其与现有感知策略进行比较。我们评估了代理在各种哈密顿量参数下的表现，包括训练中未见过的值，以探讨代理在不同情况下的泛化能力。我们发现 RL 代理对系统的某些参数敏感，例如脉冲持续时间和初始态的纯度，但总体上能够很好地泛化，支持在量子最优控制设置中使用 RL。
引用
@article{arxiv.2506.21475,
title = {Reinforcement Learning for Optimal Control of Spin Magnetometers},
author = {Logan W. Cooke and Stefanie Czischek},
journal= {arXiv preprint arXiv:2506.21475},
year = {2026}
}