.png){kind=icon}
返回
Curriculum-Based Deep Reinforcement Learning for Quantum Control
.png){kind=icon}
OA
AI
DOI：10.1109/TNNLS.2022.3153502.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度强化学习 (DRL) 已被认为是一种有效的技术，可以在不事先了解控制环境的情况下为不同的复杂系统设计最佳策略。为了实现对量子系统的快速精确控制，我们提出了一种新颖的DRL方法，通过构建由保真度阈值定义的一组中间任务组成的课程，其中课程中的任务可以在学习过程之前静态确定或在学习过程中动态生成。通过在两个连续任务之间转移知识并根据任务的难度对任务进行排序，所提出的基于课程的DRL (CDRL) 方法使代理能够在早期阶段专注于简单的任务，然后转移到困难的任务上，并最终接近最终任务。与传统方法 [梯度法 (GD)，遗传算法 (GA) 和其他几种DRL方法] 的数值比较表明，CDRL具有改善的量子系统控制性能，并且还提供了一种有效的方法来识别具有很少控制脉冲的最佳策略。
Keyword:
Task analysis
Quantum system
Quantum computing
Process control
Sequential analysis
Quantum state
Quantum entanglement
Curriculum learning
deep reinforcement learning (DRL)
quantum control
期刊
IF:
8.9
论文数:
7.6K
被引数:
7.2W
机构
引用论文
.png){kind=icon}
Study of bi-directional buck-boost converter topologies for application in electrical vehicle motor drives应用于电动汽车电机驱动的双向buck-boost变换器拓扑研究
PREAI
分享收藏分享收藏分享收藏
查看更多内容