論文の概要: Quantum machine learning for efficient reduced order modelling of turbulent flows

• arxiv url: http://arxiv.org/abs/2511.18552v1
• Date: Sun, 23 Nov 2025 17:42:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.892284
• Title: Quantum machine learning for efficient reduced order modelling of turbulent flows
• Title（参考訳）: 乱流の効率的な縮小次数モデリングのための量子機械学習
• Authors: Han Li, Yutong Lou, Dunhui Xiao,
• Abstract要約: 乱流の正確な予測は、その高次元性と固有非線形性のために流体力学における中心的な課題である。 量子アルゴリズムと機械学習の最近の発展は、乱流モデリングに固有の計算障壁を克服する新たな機会を提供する。 ここでは、リアルタイムの乱流予測を高速化する新しいハイブリッド量子古典的フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.466937279190739
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately predicting turbulent flows remains a central challenge in fluid dynamics due to their high dimensionality and intrinsic nonlinearity. Recent developments in quantum algorithms and machine learning offer new opportunities for overcoming the computational barriers inherent in turbulence modeling. Here we present a new hybrid quantum-classical framework that enables faster-than-real-time turbulence prediction by integrating machine learning, quantum computation, and fluid dynamics modeling, in particular, the reduced-order modeling. The novel framework combines quantum proper orthogonal decomposition (QPOD) with a quantum-enhanced deep kernel learning (QDKL) approach. QPOD employs quantum circuits to perform efficient eigenvalue decomposition for low-rank flow reconstruction, while QDKL exploits quantum entanglement and nonlinear mappings to enhance kernel expressivity and dynamic prediction accuracy. The new method is demonstrated on three benchmark turbulent flows, our architecture achieves significantly improved predictive accuracy at reduced model ranks, with training speeds up to 10 times faster and parameter counts reduced by a factor of 1/N compared to classical counterparts, where N is the input dimensionality. Although constrained by current noisy intermediate-scale quantum (NISQ) hardware, our results demonstrate the potential of quantum machine learning to transform turbulence simulation and lay a solid foundation for scalable, real-time quantum fluid modeling in future quantum computers.
• Abstract（参考訳）: 乱流の正確な予測は、その高次元性と固有非線形性のために流体力学における中心的な課題である。 量子アルゴリズムと機械学習の最近の発展は、乱流モデリングに固有の計算障壁を克服する新たな機会を提供する。 本稿では,機械学習,量子計算,流体力学モデリングを統合することで,リアルタイムの乱流予測を高速化する,新しいハイブリッド量子古典的フレームワークを提案する。 このフレームワークは量子固有直交分解(QPOD)と量子強化深層カーネル学習(QDKL)のアプローチを組み合わせたものである。 QPODは量子回路を用いて低ランクフロー再構成のための効率的な固有値分解を行い、QDKLは量子エンタングルメントと非線形マッピングを利用してカーネルの表現率と動的予測精度を向上させる。 提案手法は, モデルランクを下げた場合の予測精度を大幅に向上させ, トレーニング速度を最大10倍に向上し, パラメータ数を1/Nに削減した。 現在のノイズの多い中間規模量子(NISQ)ハードウェアによって制約されているが、我々の研究結果は、量子機械学習が乱流シミュレーションを変換し、将来の量子コンピュータにおけるスケーラブルでリアルタイムな量子流体モデリングの基盤となる可能性を実証している。

関連論文リスト

• Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
  量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。 近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。 QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
  論文  参考訳（メタデータ） (2025-10-15T12:17:23Z)
• Quantum-Informed Machine Learning for Predicting Spatiotemporal Chaos [1.5216516276847551]
  本稿では,高次元カオスシステムの長期動的挙動に対する量子インフォームド・機械学習(QIML)フレームワークを提案する。 本研究では, 倉本-シヴァシンスキー方程式, 2次元コルモゴロフ流, 完全に発達した3次元乱流流の断面の3つの代表系についてQIMLを評価する。
  論文  参考訳（メタデータ） (2025-07-26T08:36:16Z)
• A purely Quantum Generative Modeling through Unitary Scrambling and Collapse [6.647966634235082]
  量子スクランブルと崩壊生成モデル(Quantum Scrambling and Collapse Generative Model, QGen)は、古典的な依存関係を排除する純粋量子パラダイムである。 本研究では,学習をトラクタブルなサブプロブレムに分解し,バレンプラトーを緩和する測定に基づく学習原理を導入する。 経験的に、QGenは、有限ショットサンプリングの下で堅牢性を維持しながら、一致したパラメータ予算の下で古典的およびハイブリッド的ベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-12T11:00:21Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
  変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。 本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Quantum Adaptive Self-Attention for Quantum Transformer Models [0.0]
  本稿では,量子アテンション機構を備えた古典的トランスフォーマーモデルを強化するハイブリッドアーキテクチャであるQuantum Adaptive Self-Attention (QASA)を提案する。 QASAはドット積の注意をパラメータ化量子回路(PQC)に置き換え、量子ヒルベルト空間におけるトークン間の関係を適応的に捉える。 合成時系列タスクの実験により、QASAは標準変圧器と古典的変圧器の双方と比較して、より高速な収束と優れた一般化を実現することが示された。
  論文  参考訳（メタデータ） (2025-04-05T02:52:37Z)
• 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)
• Simulating the Mott transition on a noisy digital quantum computer via Cartan-based fast-forwarding circuits [62.73367618671969]
  動的平均場理論(DMFT)は、ハバードモデルの局所グリーン関数をアンダーソン不純物のモデルにマッピングする。 不純物モデルを効率的に解くために、量子およびハイブリッド量子古典アルゴリズムが提案されている。 この研究は、ノイズの多いデジタル量子ハードウェアを用いたMott相転移の最初の計算を提示する。
  論文  参考訳（メタデータ） (2021-12-10T17:32:15Z)
• 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)
• Efficient Quantum Simulation of Open Quantum System Dynamics on Noisy Quantum Computers [0.0]
  量子散逸ダイナミクスは、コヒーレントからインコヒーレントにまたがって効率的にシミュレートできることを示す。 この研究は、NISQ時代の量子優位性のための新しい方向性を提供する。
  論文  参考訳（メタデータ） (2021-06-24T10:37:37Z)

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。