强化学习何时在量子控制中脱颖而出？一项关于态制备的比较研究
量子物理
2021-05-06 v2
摘要
强化学习已被广泛用于许多问题，包括量子比特的量子控制。然而，此类问题同时也可通过传统的非机器学习方法解决，例如随机梯度下降和 Krotov 算法，并且当控制具有特定约束时，哪一种方法最合适仍不清楚。在这项工作中，我们对三种强化学习算法：表格 Q-learning、深度 Q-learning 和策略梯度，以及两种非机器学习方法：随机梯度下降和 Krotov 算法，在制备所需量子态问题上的效能进行了比较研究。我们发现，总体而言，当问题被离散化时（例如允许离散的控制值）以及当问题规模扩大时，深度 Q-learning 和策略梯度算法优于其他方法。强化学习算法还能自适应地降低控制序列的复杂度，缩短操作时间并提高保真度。我们的比较为量子控制问题中强化学习的适用性提供了见解。
引用
@article{arxiv.1902.02157,
title = {When does reinforcement learning stand out in quantum control? A comparative study on state preparation},
author = {Xiao-Ming Zhang and Zezhu Wei and Raza Asad and Xu-Chen Yang and Xin Wang},
journal= {arXiv preprint arXiv:1902.02157},
year = {2021}
}
备注
8+6 pages, 5+5 figures