机器学习是以统计学为基础的科学,它利用大数据从中学习并作出预测。对数据的收集和分析是包括物理学在内的现代科学的特征。在物理学的不同领域中,数据分析同样具有重要意义,如粒子物理实验、天文学观测、宇宙学、凝聚态物理、生物物理学和量子计算等都需要对模拟和实验数据进行分析。另一方面,量子信息学作为另一个新兴科学的代表,二者都有很大概率对我们未来社会产生巨大影响。作为两个独立的基础研究领域,量子信息与机器学习都有各自的研究问题和挑战,且已经被大量地研究。但是,在最近研究中,研究人员发现这两个领域的发展可以在很大程度上相互促进并且互相受益。量子控制是实现众多量子信息任务的关键技术。然而,可操控的量子资源很脆弱,容易被周围环境噪声所破坏,并且对高维量子系统的控制并没有很好的控制理论来指导。从这个方面上讲,有必要研究高维开放量子系统的量子动力学,减少环境噪声的干扰。另一方面,量子相变是凝聚态物理中一个非常重要的现象,引起了许多研究者的关注。如何揭示量子多体系统的临界性质是一项非常有意义的任务。传统的研究方法主要集中在序参量和对称性破缺上。近年来,量子信息论的发展为量子相变的研究开辟了一条崭新的道路,特别是在没有已知的序参量的情况下,量子关联和保真度等量子信息中的概念已经成功地用来揭示量子相变的性质。强化学习是机器学习的一个子领域,主要研究智能体如何与环境交互以在特定任务中给出更好的策略。最近几年的研究证明了深度强化学习用于量子物理中数值计算的优势,包括量子态制备、量子线路设计和容错量子计算。本文围绕深度强化学习在量子控制与量子信息问题的扩展和应用进行了系列的研究工作,旨在探索深度强化学习在量子信息领域的应用范围,建立基本的研究框架。本文所作的研究主要包括以下内容:1.研究了利用离散的顺序控制制备量子逻辑门的量子控制模型,利用深度强化学习算法执行最优控制制备目标量子逻辑门。开发了一个通用框架将量子动力学与最优控制联系起来。并且,计算了三种不同传统算法的数值模拟结果与深度强化学习作比较。证明了该框架能够有效地学习并控制体系近似最优到达目标量子逻辑门。此外,发现了强化学习算法能有效识别并降低策略空间中局域极小的影响。2.研究了一种具有离散顺序控制的新型高维量子控制模型,用以在含有噪声的环境中制备目标量子态。开发了一个专用框架,将该模型的量子动力学控制与强化学习算法联系起来。结果表明,当环境存在噪声干扰（例如退相位或能量衰减）时,深度强化学习算法可在10维希尔伯特空间中找到较好的控制策略。3.研究利用深度强化学习辅助优化量子虚时演化算法的演化路径,利用优化的演化路径最小化算法错误。开发了一个专用框架将深度强化学习与量子优化算法联系起来。计算了两种不同模型下优化后的量子算法的数值模拟结果。并且利用核磁共振量子计算机给出了实验结果验证该方案的有效性。该结果为研究量子优化算法提供了全新的方法。4.研究了局部纠缠结构与量子相变的关系。借助深度强化学习辅助设计单量子比特局域解纠缠变分量子线路,提出了一个全新的方案来识别伊辛自旋链的量子相变。本文首先提出了一个设计变分量子线路的深度强化学习框架。之后将此框架应用于一维横场伊辛模型和一维XXZ模型来获得特定的量子线路。通过强化学习设计的解纠缠量子线路能够完美区分横场伊辛模型和XXZ模型中的量子相变。该结果为研究量子纠缠结构与量子相变提供了全新的视角。