非平衡量子热力学的强化学习方法
Reinforcement learning approach to non-equilibrium quantum thermodynamics
AI总结：
本文提出一种基于外部控制哈密顿量和策略梯度技术的强化学习方法，用于减少封闭非平衡量子系统中的熵产生，该方法对动力学先验知识要求低且无需追踪量子态，并成功应用于单粒子和双粒子系统。
摘要：
我们使用强化学习方法来减少被带离平衡的封闭量子系统中的熵产生。我们的策略利用了外部控制哈密顿量和策略梯度技术。我们的方法不依赖于所选的用于表征所考虑的动力学过程引起的热力学不可逆性程度的定量工具，几乎不需要了解动力学本身，也不需要在演化过程中追踪系统的量子态，从而体现了一种对非平衡量子热力学控制的实验要求不高的方法。我们成功地将我们的方法应用于受时变驱动势的单粒子和双粒子系统的情况。
英文摘要：
We use a reinforcement learning approach to reduce entropy production in a closed quantum system brought out of equilibrium. Our strategy makes use of an external control Hamiltonian and a policy gradient technique. Our approach bears no dependence on the quantitative tool chosen to characterize the degree of thermodynamic irreversibility induced by the dynamical process being considered, require little knowledge of the dynamics itself and does not need the tracking of the quantum state of the system during the evolution, thus embodying an experimentally non-demanding approach to the control of non-equilibrium quantum thermodynamics. We successfully apply our methods to the case of single- and two-particle systems subjected to time-dependent driving potentials.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
