arXiv 论文：强化学习优化核物理靶极化控制
热点事件持续更新
arXiv 论文：强化学习优化核物理靶极化控制
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
arXiv 上发布的一篇论文提出一种结合代理模型与强化学习的控制框架，用于优化核物理散射实验中动态极化靶的微波频率调谐。作者 Armen Kasparian 等称，基于 APOLLO 低温靶系统运行数据，高斯过程回归模型能提供校准的不确定性估计并识别训练分布外区域，而 MLP 对分布偏移敏感性有限。 论文称，采用下置信界奖励训练的强化学习智能体，相比操作员手动操作实现近 2 倍提升。上述效果为论文作者的说法。
AI 根据报道生成 · 1 小时前更新
最新进展10月5日 12:00
强化学习优化核物理散射实验中的靶极化报道时间线
沿着报道，了解事件的不同侧面。
10月5日
- arXiv：cs.AI强化学习优化核物理散射实验中的靶极化
研究提出一种结合代理模型与强化学习的控制框架，用于优化核物理实验动态极化靶的微波频率调谐。基于 APOLLO 低温靶系统运行数据，高斯过程回归模型能提供校准的不确定性估计并识别训练分布外区域，MLP 对分布偏移敏感性有限。采用下置信界奖励训练的 RL 智能体，相比操作员手动操作实现近 2 倍提升。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。