.png){kind=icon}
返回
Memory-Based Deep Reinforcement Learning for Quantum Control With Partial Observations
.png){kind=icon}
PRE
AI
DOI：10.1109/TETCI.2025.3631693.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）在量子物理中获得了越来越多的关注，特别是在量子控制问题上，因为它能有效处理高维性和复杂动力学。然而，许多现有的基于DRL的量子控制方法假设量子状态完全可观测，这由于精确量子测量所需的大量状态拷贝而往往不切实际。为解决此问题，我们在部分观测条件下对量子控制进行建模，并提出了一种基于记忆的DRL（MDRL）方法来高效处理此类场景。所提出的MDRL包含两个关键组件：基于记忆的探索策略和基于记忆的奖励机制。具体而言，智能体配备了一个受生物启发的脑结构，用于记忆来自部分观测的信息，包括某一幕是否成功以及成功完成某一幕所花费的步数。探索策略利用记忆的信息来指导与量子系统的交互，而奖励机制则分配适当的奖励，共同使智能体能够学习到有效的控制策略。MDRL的有效性通过三个示例进行了验证，即单量子比特状态控制、双量子比特状态控制和 $T_{x}$ 门设计。数值结果表明，MDRL在量子控制方面优于几种代表性的DRL算法。
Keyword:
Deep reinforcement learning
quantum control
partial observations
exploration strategy
reward design
期刊
I
IF:
6.5
论文数:
1.4K
被引数:
4.5K
机构
引用论文
Searching for spin glass ground states through deep reinforcement learning.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏分享收藏分享收藏Heterogeneous Task Offloading and Resource Allocations via Deep Recurrent Reinforcement Learning in Partial Observable Multifog Networks在部分可观察的多雾网络中通过深度循环强化学习实现异构任务卸载和资源分配OAAI
OAAI分享收藏
查看更多内容