論文の概要: Quantum machine learning and quantum-inspired methods applied to computational fluid dynamics: a short review
- arxiv url: http://arxiv.org/abs/2510.14099v1
- Date: Wed, 15 Oct 2025 21:15:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-17 21:15:14.62107
- Title: Quantum machine learning and quantum-inspired methods applied to computational fluid dynamics: a short review
- Title（参考訳）: 量子機械学習と量子インスパイアされた計算流体力学への応用
- Authors: Cesar A. Amaral, Vinícius L. Oliveira, Juan P. L. C. Salazar, Eduardo I. Duzzioni,
- Abstract要約: 計算流体力学(CFD)は科学と工学の中心であるが、厳しいスケーラビリティの課題に直面している。
これらの条件下では、伝統的な数値法は違法に高価になることが多い。
量子コンピューティングと量子インスパイアされた手法は、有望な代替手段として研究されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computational Fluid Dynamics (CFD) is central to science and engineering, but faces severe scalability challenges, especially in high-dimensional, multiscale, and turbulent regimes. Traditional numerical methods often become prohibitively expensive under these conditions. Quantum computing and quantum-inspired methods have been investigated as promising alternatives. This review surveys advances at the intersection of quantum computing, quantum algorithms, machine learning, and tensor network techniques for CFD. We discuss the use of Variational Quantum Algorithms as hybrid quantum-classical solvers for PDEs, emphasizing their ability to incorporate nonlinearities through Quantum Nonlinear Processing Units. We further review Quantum Neural Networks and Quantum Physics-Informed Neural Networks, which extend classical machine learning frameworks to quantum hardware and have shown advantages in parameter efficiency and solution accuracy for certain CFD benchmarks. Beyond quantum computing, we examine tensor network methods, originally developed for quantum many-body systems and now adapted to CFD as efficient high-dimensional compression and solver tools. Reported studies include several orders of magnitude reductions in memory and runtime while preserving accuracy. Together, these approaches highlight quantum and quantum-inspired strategies that may enable more efficient CFD solvers. This review closes with perspectives: quantum CFD remains out of reach in the NISQ era, but quantum-inspired tensor networks already show practical benefits, with hybrid approaches offering the most promising near-term strategy.
- Abstract（参考訳）: 計算流体力学(CFD)は、科学と工学の中心であるが、特に高次元、マルチスケール、乱流状態において、厳しいスケーラビリティの課題に直面している。
これらの条件下では、伝統的な数値法は違法に高価になることが多い。
量子コンピューティングと量子インスパイアされた手法は、有望な代替手段として研究されている。
本稿では、CFDのための量子コンピューティング、量子アルゴリズム、機械学習、テンソルネットワーク技術の交差点における進歩を概観する。
変分量子アルゴリズムをPDEのハイブリッド量子古典解法として用いることについて議論し、量子非線形処理ユニットを通して非線形性を統合する能力を強調した。
さらに、古典的な機械学習フレームワークを量子ハードウェアに拡張し、特定のCFDベンチマークのパラメータ効率と解精度の利点を示した量子ニューラルネットワークと量子物理インフォームドニューラルネットワークについてレビューする。
量子コンピューティング以外にも、量子多体システム向けに開発されたテンソルネットワーク手法について検討し、現在では効率的な高次元圧縮・解法ツールとしてCFDに適応している。
報告された研究には、正確性を維持しながら、メモリとランタイムの桁違いの削減が含まれている。
これらのアプローチは共に、より効率的なCFDソルバを可能にする量子と量子に着想を得た戦略を強調している。
量子CFDは、NISQ時代にはまだ到達できないが、量子にインスパイアされたテンソルネットワークはすでに実用的な利点を示しており、ハイブリッドアプローチは最も有望な短期戦略を提供している。
関連論文リスト
- VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [60.996803677584424]
変分量子回路(VQC)は、量子機械学習のための新しい経路を提供する。
それらの実用的応用は、制約付き線形表現性、最適化課題、量子ハードウェアノイズに対する鋭敏感といった固有の制限によって妨げられている。
この研究は、これらの障害を克服するために設計されたスケーラブルで堅牢なハイブリッド量子古典アーキテクチャであるVQC-MLPNetを導入している。
論文 参考訳（メタデータ） (2025-06-12T01:38:15Z) - RhoDARTS: Differentiable Quantum Architecture Search with Density Matrix Simulations [44.13836547616739]
変分量子アルゴリズム(VQA)は、ノイズ中間スケール量子(NISQ)コンピュータを活用するための有望なアプローチである。
与えられたVQA問題を効率的に解く最適な量子回路を選択することは、非自明な作業である。
量子アーキテクチャ探索(QAS)アルゴリズムは、与えられた問題に合わせた量子回路の自動生成を可能にする。
論文 参考訳（メタデータ） (2025-06-04T08:30:35Z) - Differentiable Quantum Architecture Search in Quantum-Enhanced Neural Network Parameter Generation [4.358861563008207]
量子ニューラルネットワーク(QNN)は、経験的にも理論的にも有望であることを示している。
ハードウェアの欠陥と量子デバイスへの限られたアクセスは、実用的な課題となる。
微分可能最適化を用いた自動解法を提案する。
論文 参考訳（メタデータ） (2025-05-13T19:01:08Z) - Comprehensive Survey of QML: From Data Analysis to Algorithmic Advancements [2.5686697584463025]
量子機械学習(Quantum Machine Learning)は、量子コンピューティングと機械学習の交差点におけるパラダイムシフトである。
この分野は、ハードウェアの制約、ノイズ、量子ビットコヒーレンス(英語版)の制限など、重大な課題に直面している。
この調査は、実用的な実世界のアプリケーションに向けて量子機械学習を進めるための基盤となるリソースを提供することを目的としている。
論文 参考訳（メタデータ） (2025-01-16T13:25:49Z) - Quantum consistent neural/tensor networks for photonic circuits with strongly/weakly entangled states [0.0]
本稿では,閉じた絡み合ったシステムの正確なユニタリ進化を,高精度で効率的な量子一貫した方法で近似する手法を提案する。
量子力学の少数の例でネットワークを訓練することにより、より大きなヒルベルト空間における効率的なパラメータ推定を可能にする。
論文 参考訳（メタデータ） (2024-06-03T09:51:25Z) - A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳（メタデータ） (2024-02-23T14:09:41Z) - QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional
Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。
現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。
我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文 参考訳（メタデータ） (2022-11-09T21:43:16Z) - Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the
Race to Practical Quantum Advantage [43.3054117987806]
本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。
本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。
古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
論文 参考訳（メタデータ） (2022-08-29T15:24:03Z) - Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。
本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-30T12:19:27Z) - Efficient Discrete Feature Encoding for Variational Quantum Classifier [3.7576442570677253]
変分量子分類(VQC)は、量子的に有利な方法の一つである。
本稿では,量子ランダムアクセス符号化(QRAC)を用いて,離散的特徴をVQCの量子ビット数に効率的にマッピングする手法を提案する。
QRACがVQCのトレーニングを高速化するためには,マッピングのキュービット数を節約することで,パラメータを削減できることを実験的に示す。
論文 参考訳（メタデータ） (2020-05-29T04:43:14Z)
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。