論文の概要: Physics-Informed Quantum Machine Learning for Solving Partial
Differential Equations
- arxiv url: http://arxiv.org/abs/2312.09215v1
- Date: Thu, 14 Dec 2023 18:46:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-15 20:26:13.256375
- Title: Physics-Informed Quantum Machine Learning for Solving Partial
Differential Equations
- Title(参考訳): 物理インフォームド量子機械学習による偏微分方程式の解法
- Authors: Abhishek Setty, Rasul Abdusalamov, Mikhail Itskov
- Abstract要約: 観測可能量の変化として、パウリ-Z作用素の和に対するテンソル積を提案する。
このアイデアは、リカティ方程式の複素力学の解法で検証されている。
2次元ポアソン方程式の解法として,多変数関数を近似する新しい量子回路構造を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this work, we solve differential equations using quantum Chebyshev feature
maps. We propose a tensor product over a summation of Pauli-Z operators as a
change in the measurement observables resulting in improved accuracy and
reduced computation time for initial value problems processed by floating
boundary handling. This idea has been tested on solving the complex dynamics of
a Riccati equation as well as on a system of differential equations.
Furthermore, a second-order differential equation is investigated in which we
propose adding entangling layers to improve accuracy without increasing the
variational parameters. Additionally, a modified self-adaptivity approach of
physics-informed neural networks is incorporated to balance the multi-objective
loss function. Finally, a new quantum circuit structure is proposed to
approximate multivariable functions, tested on solving a 2D Poisson's equation.
- Abstract(参考訳): 本研究では,量子チェビシェフ特徴写像を用いて微分方程式を解く。
本研究では,パウリZ演算子の和に対するテンソル積を測定可観測値の変化として提案し,フローティング境界処理による初期値問題に対する精度の向上と計算時間短縮を実現した。
このアイデアは、リッカティ方程式の複素力学や微分方程式の系を解くために試されてきた。
さらに, 2次微分方程式について検討し, 変動パラメータを増大させることなく, エンタングル層を追加して精度を向上させることを提案する。
さらに,多目的損失関数のバランスをとるために,物理形ニューラルネットワークの修正自己適応アプローチが組み込まれている。
最後に、2次元ポアソン方程式の解法で検証された多変数関数を近似する新しい量子回路構造を提案する。
関連論文リスト
- Solving Systems of Linear Equations: HHL from a Tensor Networks
Perspective [41.94295877935867]
本稿では,HHLアルゴリズムに基づく線形方程式系の解法を,新しい四重項法を用いて提案する。
我々は、プロジェクションのような非単位演算を行う能力を利用して、テンソルネットワーク上で量子インスパイアされたバージョンを実行する。
論文 参考訳(メタデータ) (2023-09-11T08:18:41Z) - Physics-informed Neural Network: The Effect of Reparameterization in
Solving Differential Equations [0.0]
複雑な物理学では、解析的に解くのが難しい微分方程式がほとんどである。
近年, 物理インフォームドニューラルネットワークは, 様々な微分方程式の解法系において, 非常によく機能することが示されている。
論文 参考訳(メタデータ) (2023-01-28T07:53:26Z) - Tunable Complexity Benchmarks for Evaluating Physics-Informed Neural
Networks on Coupled Ordinary Differential Equations [64.78260098263489]
本研究では,より複雑に結合した常微分方程式(ODE)を解く物理インフォームドニューラルネットワーク(PINN)の能力を評価する。
PINNの複雑性が増大するにつれて,これらのベンチマークに対する正しい解が得られないことが示される。
PINN損失のラプラシアンは,ネットワーク容量の不足,ODEの条件の低下,局所曲率の高さなど,いくつかの理由を明らかにした。
論文 参考訳(メタデータ) (2022-10-14T15:01:32Z) - Integral Transforms in a Physics-Informed (Quantum) Neural Network
setting: Applications & Use-Cases [1.7403133838762446]
工学や科学における多くの計算問題において、関数やモデルの微分は不可欠であるが、積分も必要である。
本研究では,物理インフォームドニューラルネットワークのパラダイムを,自動統合で拡張することを提案する。
論文 参考訳(メタデータ) (2022-06-28T17:51:32Z) - Physics Informed RNN-DCT Networks for Time-Dependent Partial
Differential Equations [62.81701992551728]
時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。
我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。
ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
論文 参考訳(メタデータ) (2022-02-24T20:46:52Z) - Message Passing Neural PDE Solvers [60.77761603258397]
我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。
本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。
本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
論文 参考訳(メタデータ) (2022-02-07T17:47:46Z) - Quantum Model-Discovery [19.90246111091863]
微分方程式を解くための量子アルゴリズムは、フォールトトレラントな量子コンピューティングシステムにおいて証明可能な優位性を示している。
我々は、短期量子コンピュータの適用性を、より一般的な科学的な機械学習タスクに拡張する。
本結果は,古典的および量子機械学習アプローチのインターフェースにおける量子モデル探索(QMoD)への有望な経路を示す。
論文 参考訳(メタデータ) (2021-11-11T18:45:52Z) - QBoost for regression problems: solving partial differential equations [0.0]
ハイブリッドアルゴリズムは、必要なキュービット数において、良好な精度と良好なスケーリングで偏微分方程式の解を求めることができる。
古典的な部分は、機械学習を用いて偏微分方程式を解くことができる複数の回帰器を訓練することによって構成される。
量子部分は、回帰問題を解くためにQBoostアルゴリズムを適用することで構成される。
論文 参考訳(メタデータ) (2021-08-30T16:13:04Z) - Solving nonlinear differential equations with differentiable quantum
circuits [21.24186888129542]
非線形微分方程式系を解く量子アルゴリズムを提案する。
我々は、関数微分を微分可能な量子回路として解析形式で表現するために、自動微分を用いる。
本稿では,高次元特徴空間における微分方程式を解くためのスペクトル法の実装方法について述べる。
論文 参考訳(メタデータ) (2020-11-20T13:21:11Z) - A Combined Data-driven and Physics-driven Method for Steady Heat
Conduction Prediction using Deep Convolutional Neural Networks [39.46616349629182]
本稿では,加速学習とより正確な解法を併用して提案する。
データ駆動型手法では、物理方程式の導入は収束を高速化するだけでなく、物理的に一貫した解を生成することができる。
物理駆動法では, 結合法は, あまり制約のない粗い基準を用いることで, 収束を49.0%まで高速化できることがわかった。
論文 参考訳(メタデータ) (2020-05-16T22:29:37Z) - Scalable Gradients for Stochastic Differential Equations [40.70998833051251]
随伴感度法は 通常の微分方程式の勾配を
我々はこの手法を微分方程式に一般化し、時間効率と定数メモリ計算を可能にする。
提案手法は,ネットワークによって定義されたニューラルダイナミクスに適合し,50次元モーションキャプチャーデータセット上での競合性能を実現する。
論文 参考訳(メタデータ) (2020-01-05T23:05:55Z)
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。