Η συνεκτική μεταφορά των κβαντικών καταστάσεων μέσω της εκμάθησης βαθιάς ενίσχυσης

Η βαθιά αρχιτεκτονική μάθησης ενίσχυση για τον έλεγχο της συνεκτικής μεταφοράς από αδιαβατική διέσμα. Η περιφέρεια Ε μπορεί να αντιπροσωπεύεται από μια γραμμική σειρά τεσσάρων τεμαχίων, με ποσοστά ανοίγματος των σηράγγων ελέγχεται από δύο πύλες που υποδεικνύονται από Ω 12 και Ω 23 . Σε κάθε χρονικό βήμα, το περιβάλλον DRL μπορεί να μοντελοποιηθεί με μια μήτρα 3 × 3 πυκνότητας που χρησιμοποιείται ως μία παρατήρηση εισόδου (η κατάσταση) από τον παράγοντα Α Με τη σειρά του, ο παράγοντας Α χρησιμοποιεί την παρατήρηση για να επιλέξει την ενέργεια στο επόμενο χρονικό βήμα ακολουθώντας μια πολιτικήπ( 𝑎𝑡𝑖| 𝑠𝑡𝑖). Η δράση αυτή φέρνει την Ε σε μια νέα κατάστασηρ𝑡𝑖 + 1= ρ ( 𝑡 + Δ 𝑡 ). Κάθε δράση τιμωρείται ή ανταμείβεται με ένα πραγματικών τιμών ανταμοιβή , που υποδεικνύεται από r t . β Αντιπρόσωπος Ένα αντιπροσωπεύει ένα νευρικό δίκτυο τεσσάρων στρωμάτων, το οποίο ενεργεί ως πολιτική π . Σε κάθε χρονικό βήμα, το δίκτυο δέχεται τις 3 × 3 = 9 πραγματικές τιμές που σχετίζονται με τις ατελείς τιμές των στοιχείων της πυκνότητας μήτρας ρ και τις δύο τιμές του παλμού ελέγχου πύλης Ω 12 και Ω 23 για ένα σύνολο 11 νευρώνων στο στρώμα εισόδου. Στη συνέχεια, ο παράγοντας υπολογίζει την πολιτική πκαι εξάγει τις τιμές των δύο παλμών που θα εφαρμοστούν σε πύλες ελέγχου φράγματος στο βήμα την επόμενη φορά ( β , Κάτω δεξιά). Τα σημεία έναρξης και λήξης των επισημασμένων τμημάτων μπορούν να συνδέονται με διαφορετικές λειτουργίες του χρόνου, όπως το κινητό μέσο ή μια λειτουργία spline για να εξομαλύνει το βήμα λειτουργίας που παράγεται από τα διακριτά χρονικά βήματα. Τέλος, η φυσική προσομοίωση της κβαντικής συστοιχίας dot φέρνει το σύστημα σε μια νέα κατάσταση με την ενημέρωση του πίνακα πυκνότητας αναλόγως και επιστρέφει r t στον παράγοντα. Σε t  =  t max , το σύστημα φτάνει στο τελικό στάδιο ( k  =  Ν ), και οι άκρα της προσομοίωσης