論文の概要: Quantum physics informed neural networks for multi-variable partial differential equations

• arxiv url: http://arxiv.org/abs/2503.12244v1
• Date: Sat, 15 Mar 2025 19:55:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 15:58:55.245981
• Title: Quantum physics informed neural networks for multi-variable partial differential equations
• Title（参考訳）: 多変数偏微分方程式に対する量子物理学情報ニューラルネットワーク
• Authors: Giorgio Panichi, Sebastiano Corli, Enrico Prati,
• Abstract要約: ネストされた自動微分法に頼ることなく、二階微分(および高階微分)を計算するように設計されたアーキテクチャを導入する。 このアプローチは、ネストした勾配に関連する不要な副作用を軽減し、より効率的で正確な実装の道を開く。 概念実証として、熱方程式の1次元の例を解き、PDEを扱う上での有効性を実証する。
• 参考スコア（独自算出の注目度）: 1.024113475677323
• License:
• Abstract: Quantum Physics-Informed Neural Networks (QPINNs) integrate quantum computing and machine learning to impose physical biases on the output of a quantum neural network, aiming to either solve or discover differential equations. The approach has recently been implemented on both the gate model and continuous variable quantum computing architecture, where it has been demonstrated capable of solving ordinary differential equations. Here, we aim to extend the method to effectively address a wider range of equations, such as the Poisson equation and the heat equation. To achieve this goal, we introduce an architecture specifically designed to compute second-order (and higher-order) derivatives without relying on nested automatic differentiation methods. This approach mitigates the unwanted side effects associated with nested gradients in simulations, paving the way for more efficient and accurate implementations. By leveraging such an approach, the quantum circuit addresses partial differential equations -- a challenge not yet tackled using this approach on continuous-variable quantum computers. As a proof-of-concept, we solve a one-dimensional instance of the heat equation, demonstrating its effectiveness in handling PDEs. Such a framework paves the way for further developments in continuous-variable quantum computing and underscores its potential contributions to advancing quantum machine learning.
• Abstract（参考訳）: QPINN(Quantum Physics-Informed Neural Networks)は、量子コンピューティングと機械学習を統合し、量子ニューラルネットワークの出力に物理的バイアスを課す。 この手法はゲートモデルと連続変数量子コンピューティングアーキテクチャの両方に実装されており、通常の微分方程式を解くことができることが証明されている。 本稿では,ポアソン方程式や熱方程式など,より広い範囲の方程式を効果的に扱えるように拡張することを目的とする。 この目的を達成するために、ネストされた自動微分法に頼ることなく、二階微分(および高階微分)を計算するように設計されたアーキテクチャを導入する。 このアプローチは、ネストした勾配に関連する不要な副作用を軽減し、より効率的で正確な実装の道を開く。 このようなアプローチを活用することで、量子回路は偏微分方程式に対処する。 概念実証として、熱方程式の1次元の例を解き、PDEを扱う上での有効性を実証する。 このようなフレームワークは、連続変数量子コンピューティングにおけるさらなる発展の道を切り開いており、量子機械学習の進歩への潜在的な貢献を裏付けている。

関連論文リスト

• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
  量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。 どの場の量子スピードアップが達成できるかという新たな課題が生じる。 量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
  論文  参考訳（メタデータ） (2024-02-26T09:32:07Z)
• Self-Adaptive Physics-Informed Quantum Machine Learning for Solving Differential Equations [0.0]
  チェビシェフは、古典的および量子的ニューラルネットワークが微分方程式を解くための効率的なツールとして有望であることを示した。 我々は、このフレームワークを様々な問題に対して量子機械学習環境に適応し、一般化する。 その結果,量子デバイス上での微分方程式の短期的評価に対する有望なアプローチが示唆された。
  論文  参考訳（メタデータ） (2023-12-14T18:46:35Z)
• Implementation of a two-stroke quantum heat engine with a collisional model [50.591267188664666]
  我々は,IBMQプロセッサのストロボスコープ2ストロークサーマルエンジンの量子シミュレーションを行った。 この系は2つの浴槽に繋がった量子スピン鎖で構成され、変分量子熱分解器アルゴリズムを用いて異なる温度で調製される。
  論文  参考訳（メタデータ） (2022-03-25T16:55:08Z)
• Quantum Kernel Methods for Solving Differential Equations [21.24186888129542]
  量子カーネル法を用いて微分方程式(DE)の解法を提案する。 量子モデルをカーネル関数の重み付け和として構成し、特徴写像を用いて変数を符号化し、モデル微分を表現する。
  論文  参考訳（メタデータ） (2022-03-16T18:56:35Z)
• 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)
• Representation Learning via Quantum Neural Tangent Kernels [10.168123455922249]
  変分量子回路は、量子機械学習や変分量子シミュレーションタスクで使用される。 本稿では、ニューラルネットワークカーネルの理論を用いて変動量子回路を解析し、これらの問題を論じる。 変形角がゆっくり変化し、線形摂動が十分であるような、凍結限界(遅延訓練)の力学を解析的に解いた。
  論文  参考訳（メタデータ） (2021-11-08T01:30:34Z)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)
• Variational Quantum Optimization with Multi-Basis Encodings [62.72309460291971]
  マルチバスグラフ複雑性と非線形活性化関数の2つの革新の恩恵を受ける新しい変分量子アルゴリズムを導入する。 その結果,最適化性能が向上し,有効景観が2つ向上し,測定の進歩が減少した。
  論文  参考訳（メタデータ） (2021-06-24T20:16:02Z)
• 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)

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。