本文采用最新的强化学习技术,通过优化找到非可积多体量子系统中从初始状态到目标状态的短高保真度驱动协议,同时在协议时长的空间中呈现类自旋玻璃相变,并揭示了基于强化学习的 RL 方法在非平衡量子物理应用中的潜在用途。
May, 2017
本研究提出了一种基于深度学习和强化学习的模型无关方法,实现了实际的贝叶斯量子计量任务,并在一个集成光电电路上证明了比标准方法更高的测量性能,这是实现完全基于人工智能的量子计量的重要一步。
Sep, 2022
提出一种新的量子控制框架,通过在强化学习智能体的训练环境中加入控制噪声,利用强化学习技术优化量子计算的速度和保真度以及对泄漏和随机控制误差的抗扰性,最终取得了一定的优化成果。
Mar, 2018
我们使用强化学习和虚拟测试平台实现自动调整光纤对激光的耦合效率达到 90%,证明强化学习在实验室降低工作负荷上的可行性。
May, 2024
利用机器学习算法的自动化测量方法可以提高量子系统的测量效率,并为大型量子电路的自动化控制打下基础。
Oct, 2018
提出了一种基于增强强化学习(QSC-ERL)的量子系统控制方法,使用增强神经网络将强化学习中的状态和动作映射到量子系统中的量子状态和控制操作,在有限资源的条件下能够实现接近 1 的保真度的量子系统学习控制,并且在量子状态演化中所需的周期较少。
Sep, 2023
本研究展示了利用神经网络强化学习在量子纠错任务中独立发现量子纠错策略的能力,并提出了包括二阶段学习和反馈优化在内的策略。这项工作不仅在量子计算方面具有重要作用,还显示了神经网络强化学习在物理学领域的潜力。
Feb, 2018
利用基于神经常微分方程(ODE)的归纳偏置,提出了一种基于模型的强化学习(RL)方法,用于在噪声时变门优化中近似环境模型,其时间依赖部分包括控制方式完全已知。与标准的基于模型的 RL 相比,我们的方法在样本复杂度方面具有数量级的优势,适用于控制一、二量子位系统。
Apr, 2023
采用机器学习自主生成自适应反馈计划的方法适用于量子信息,有效取代了猜测性的量子测量方法,实现了在干涉测量中最佳的自适应方案。
Oct, 2009
本研究提出了一种基于强化学习的模型参数推断框架,该框架以物理模型响应跟踪为目标,利用一种约束 Lyapunov 基础的 actor-critic (CLAC) 算法,考虑了大规模和高维数据以及嘈杂的真实世界条件下的鲁棒性,实现了在两个基于物理模型的诊断测试案例中的优秀表现。
Jun, 2020