論文の概要: Optimizing the Charging of Open Quantum Batteries using Long Short-Term Memory-Driven Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2504.19840v1
- Date: Mon, 28 Apr 2025 14:40:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:54.474037
- Title: Optimizing the Charging of Open Quantum Batteries using Long Short-Term Memory-Driven Reinforcement Learning
- Title（参考訳）: 長期記憶駆動強化学習を用いたオープン量子電池の充電の最適化
- Authors: Shadab Zakavati, Shahriar Salimi, Behrouz Arash,
- Abstract要約: 電池が充電器と構造型貯水池と相互作用するオープンな量子環境下での量子電池の充電過程について検討する。
長寿命短期記憶(LSTM)ネットワークとともに、決定論的ポリシー勾配アルゴリズムを用いた強化学習(RL)充電戦略を提案する。
RLプロトコルは、駆動磁場振幅と結合パラメータをリアルタイムに制御することで、従来の固定戦略を一貫して上回る。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Controlling the charging process of a quantum battery involves strategies to efficiently transfer, store, and retain energy, while mitigating decoherence, energy dissipation, and inefficiencies caused by surrounding interactions. We develop a model to study the charging process of a quantum battery in an open quantum setting, where the battery interacts with a charger and a structured reservoir. To overcome the limitations of static charging protocols, a reinforcement learning (RL) charging strategy is proposed, which utilizes the deep deterministic policy gradient algorithm alongside long short-term memory (LSTM) networks. The LSTM networks enable the RL model to capture temporal correlations driven by non-Markovian dynamics, facilitating a continuous, adaptive charging strategy. The RL protocols consistently outperform conventional fixed heuristic strategies by real-time controlling the driving field amplitude and coupling parameters. By penalizing battery-to-charger backflow in the reward function, the RL-optimized charging strategy promotes efficient unidirectional energy transfer from charger to battery, achieving higher and more stable extractable work. The proposed RL controller would provide a framework for designing efficient charging schemes in broader configurations and multi-cell quantum batteries.
- Abstract（参考訳）: 量子電池の充電プロセスを制御するには、効率よくエネルギーを転送、保存、保持する戦略が伴うが、デコヒーレンス、エネルギー散逸、周囲の相互作用によって引き起こされる非効率を緩和する。
本研究では,バッテリが充電器と構造型貯水池と相互作用するオープンな量子環境下で,バッテリの充電過程を研究するモデルを開発した。
静的チャージプロトコルの限界を克服するため,長期短期記憶(LSTM)ネットワークと並行して決定論的ポリシー勾配アルゴリズムを用いた強化学習(RL)充電戦略を提案する。
LSTMネットワークにより、RLモデルは非マルコフ力学によって駆動される時間的相関を捉え、連続的かつ適応的な充電戦略を促進することができる。
RLプロトコルは、駆動磁場振幅と結合パラメータをリアルタイムに制御することで、従来の固定ヒューリスティック戦略を一貫して上回る。
報酬関数でバッテリ間バックフローをペナル化することにより、RL最適化充電戦略は、バッテリからバッテリへの効率のよい一方向エネルギー移動を促進し、より高い、より安定した抽出作業を実現する。
提案したRLコントローラは、より広い構成と多セル量子電池の効率的な充電方式を設計するためのフレームワークを提供する。
関連論文リスト
- Active management of battery degradation in wireless sensor network using deep reinforcement learning for group battery replacement [4.469172054222021]
無線センサネットワーク(WSN)は、構造健康モニタリング(SHM)のための有望なソリューションとなっている
バッテリー駆動のWSNは有線システムに対して様々な利点があるが、バッテリー寿命の制限は常にWSNの実用化における最大の障害の1つだ。
本研究では,WSNのデューティサイクルをシステムレベルで最適化することにより,アクティブな電池劣化管理のための深層強化学習(DRL)手法について検討する。
論文 参考訳（メタデータ） (2025-03-20T05:36:33Z) - Multi-agent reinforcement learning strategy to maximize the lifetime of Wireless Rechargeable [0.32634122554913997]
本論文では,ネットワーク寿命を最大化するために,複数の移動体充電器の汎用充電フレームワークを提案する。
マルチポイント充電モデルは充電効率を高めるために利用され、MCは充電位置ごとに複数のセンサーを同時に充電することができる。
この提案では、大規模な再トレーニングを必要とせずに、強化アルゴリズムを異なるネットワークに適用できる。
論文 参考訳（メタデータ） (2024-11-21T02:18:34Z) - Super-Optimal Charging of Quantum Batteries via Reservoir Engineering [0.0]
本稿では,コヒーレント充電器と電池の相互作用を,エンジニアによる共有貯水池による散逸相互作用に置き換える新しい充電手法を提案する。
超最適充電は、充電器バッテリ構成の実用的な正当性を提供する。
論文 参考訳（メタデータ） (2024-07-23T15:06:45Z) - Deep-MPC: A DAGGER-Driven Imitation Learning Strategy for Optimal Constrained Battery Charging [5.192596329990163]
本論文は,従来の電池充電の予測制御戦略にまつわる課題に対処する革新的な手法を提案する。
電気化学モデルを組み込んだ実用的な電池シミュレータから得られた結果は、電池充電性能の大幅な改善を浮き彫りにした。
論文 参考訳（メタデータ） (2024-06-23T02:36:02Z) - Function Approximation for Reinforcement Learning Controller for Energy from Spread Waves [69.9104427437916]
マルチジェネレータ・ウェーブ・エナジー・コンバータ(WEC)は、スプレッド・ウェーブと呼ばれる異なる方向から来る複数の同時波を処理しなければならない。
これらの複雑な装置は、エネルギー捕獲効率、維持を制限する構造的ストレスの低減、高波に対する積極的な保護という複数の目的を持つコントローラを必要とする。
本稿では,システム力学のシーケンシャルな性質をモデル化する上で,ポリシーと批判ネットワークの異なる機能近似について検討する。
論文 参考訳（メタデータ） (2024-04-17T02:04:10Z) - Nonreciprocal Quantum Batteries [0.0]
充電過程における貯水池工学による非相反性の導入により, エネルギー蓄積が著しく増加した。
局所的な消散にもかかわらず、非相互アプローチはバッテリーエネルギーの4倍の増加を示す。
より広義の文脈では、非相互充電の概念は、センシング、エネルギー捕獲、ストレージ技術に重要な意味を持つ。
論文 参考訳（メタデータ） (2024-01-10T11:50:03Z) - Cost Explosion for Efficient Reinforcement Learning Optimisation of
Quantum Circuits [55.616364225463066]
強化学習(Reinforcement Learning, RL)は、量子回路を最適化する学習手法である。
私たちのゴールは、量子回路を手動で最適化する方法のヒントを含めることで、エージェントの最適化戦略を改善することです。
本稿では, コスト爆発を許容することは, 最適回路に到達するなど, RL トレーニングにおいて大きな利点をもたらすことを示す。
論文 参考訳（メタデータ） (2023-11-21T10:16:03Z) - Multiagent Reinforcement Learning with an Attention Mechanism for
Improving Energy Efficiency in LoRa Networks [52.96907334080273]
ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。
マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。
シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
論文 参考訳（メタデータ） (2023-09-16T11:37:23Z) - Federated Reinforcement Learning for Electric Vehicles Charging Control
on Distribution Networks [42.04263644600909]
マルチエージェント深部強化学習(MADRL)はEV充電制御において有効であることが証明されている。
既存のMADRLベースのアプローチでは、配電ネットワークにおけるEV充電/放電の自然な電力フローを考慮できない。
本稿では,マルチEV充電/放電と最適電力流で動作する放射分布ネットワーク(RDN)を組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2023-08-17T05:34:46Z) - Data-Driven Chance Constrained AC-OPF using Hybrid Sparse Gaussian
Processes [57.70237375696411]
入力不確実性を伴う潮流方程式をモデル化するために,スパースプロセスとハイブリッドガウスプロセス(GP)フレームワークを用いた高速データ駆動構成を提案する。
提案手法の有効性は,複数のIEEEテストケースに対して,最大2倍の高速かつ高精度な解を示す数値的な研究によって主張する。
論文 参考訳（メタデータ） (2022-08-30T09:27:59Z) - Deep Reinforcement Learning Based Multidimensional Resource Management
for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。
本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文 参考訳（メタデータ） (2021-09-17T08:55:48Z) - Fast Swapping in a Quantum Multiplier Modelled as a Queuing Network [64.1951227380212]
量子回路をキューネットワークとしてモデル化することを提案する。
提案手法はスケーラビリティが高く,大規模量子回路のコンパイルに必要となる潜在的な速度と精度を有する。
論文 参考訳（メタデータ） (2021-06-26T10:55:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。