論文の概要: Quantum-Classical Physics-Informed Neural Networks for Solving Reservoir Seepage Equations

• arxiv url: http://arxiv.org/abs/2512.03923v1
• Date: Wed, 03 Dec 2025 16:14:16 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 12:02:47.888798
• Title: Quantum-Classical Physics-Informed Neural Networks for Solving Reservoir Seepage Equations
• Title（参考訳）: 貯留層浸透方程式を解くための量子古典物理学インフォームドニューラルネットワーク
• Authors: Xiang Rao, Yina Liu, Yuxuan Shen,
• Abstract要約: 貯留層における偏微分方程式 (PDE) の解法は, 油田・ガス田開発を最適化し, 生産性能を予測する上で重要である。 従来の数値計算法はメッシュ依存の誤差と計算コストに悩まされており、古典的な物理情報ニューラルネットワーク(PINN)はパラメータ効率、高次元式、強い非線形フィッティングのボトルネックに直面している。 本稿では,離散変数(DV)-回路量子-古典物理-情報ニューラルネットワーク(QCPINN)を提案する。
• 参考スコア（独自算出の注目度）: 1.376408511310322
• License:
• Abstract: Solving partial differential equations (PDEs) for reservoir seepage is critical for optimizing oil and gas field development and predicting production performance. Traditional numerical methods suffer from mesh-dependent errors and high computational costs, while classical Physics-Informed Neural Networks (PINNs) face bottlenecks in parameter efficiency, high-dimensional expression, and strong nonlinear fitting. To address these limitations, we propose a Discrete Variable (DV)-Circuit Quantum-Classical Physics-Informed Neural Network (QCPINN) and apply it to three typical reservoir seepage models for the first time: the pressure diffusion equation for heterogeneous single-phase flow, the nonlinear Buckley-Leverett (BL) equation for two-phase waterflooding, and the convection-diffusion equation for compositional flow considering adsorption. The QCPINN integrates classical preprocessing/postprocessing networks with a DV quantum core, leveraging quantum superposition and entanglement to enhance high-dimensional feature mapping while embedding physical constraints to ensure solution consistency. We test three quantum circuit topologies (Cascade, Cross-mesh, Alternate) and demonstrate through numerical experiments that QCPINNs achieve high prediction accuracy with fewer parameters than classical PINNs. Specifically, the Alternate topology outperforms others in heterogeneous single-phase flow and two-phase BL equation simulations, while the Cascade topology excels in compositional flow with convection-dispersion-adsorption coupling. Our work verifies the feasibility of QCPINN for reservoir engineering applications, bridging the gap between quantum computing research and industrial practice in oil and gas engineering.
• Abstract（参考訳）: 貯留層における偏微分方程式 (PDE) の解法は, 油田・ガス田開発を最適化し, 生産性能を予測する上で重要である。 従来の数値計算法はメッシュ依存の誤差と計算コストに悩まされており、古典的な物理情報ニューラルネットワーク(PINN)はパラメータ効率、高次元式、強い非線形フィッティングのボトルネックに直面している。 これらの制約に対処するために、離散変数(DV)-回路量子-古典物理学-インフォームドニューラルネットワーク(QCPINN)を提案し、これを不均一単一相流の圧力拡散方程式、二相水流の非線形Buckley-Leverett(BL)方程式、吸着を考慮した組成流の対流拡散方程式の3つの典型的な貯水池浸透モデルに適用した。 QCPINNは古典的な前処理/後処理ネットワークをDV量子コアに統合し、量子重ね合わせと絡み合いを活用して高次元の特徴マッピングを強化し、物理制約を埋め込んで解の整合性を確保する。 3つの量子回路トポロジー(カスケード、クロスメッシュ、オルタナト)を検証し、QCPINNが古典的なPINNよりも少ないパラメータで高い予測精度が得られることを示す。 具体的には、Alternateトポロジーは異種一相流や二相BL方程式シミュレーションにおいて他よりも優れ、Cascadeトポロジーは対流-分散-吸着結合を伴う構成フローにおいて優れている。 本研究は, 石油・ガス工学における量子コンピューティング研究と産業実践のギャップを埋めて, 貯水池工学への応用の可能性を検証するものである。

関連論文リスト

• A Classical-Quantum Hybrid Architecture for Physics-Informed Neural Networks [0.0]
  本稿では,QPINN-MACを用いた量子古典的ハイブリッド物理インフォームドニューラルネットワークについて紹介する。 古典的成分と量子的成分の戦略的結合により、QPINN-MACは普遍近似特性を保持する。 これらの結合が勾配崩壊を防ぎ、高次元状態においてもトレーニング性を確保することを実証する。
  論文  参考訳（メタデータ） (2025-11-10T15:39:18Z)
• Quantum Visual Fields with Neural Amplitude Encoding [70.86293548779774]
  本稿では2次元画像と3次元幾何場学習のための新しいタイプの量子入射ニューラル表現(QINR)を提案する。 QVFは古典的なデータを学習可能エネルギー多様体に接地したニューラル振幅符号化を用いて量子状態ベクトルに符号化する。 我々のアンサッツは、学習可能なパラメトリド量子回路の完全に絡み合った設計に従い、実際のヒルベルト空間で量子(単位)演算を行う。
  論文  参考訳（メタデータ） (2025-08-14T17:59:52Z)
• Practical Application of the Quantum Carleman Lattice Boltzmann Method in Industrial CFD Simulations [44.99833362998488]
  この研究は、格子ボルツマン法(LBM)に基づくCFDへのハイブリッド量子古典的アプローチの実用的な数値評価を提示する。 本手法は, 異なる境界条件, 周期性, バウンスバック, 移動壁を有する3つのベンチマークケースで評価した。 提案手法の有効性を検証し,10～3ドル程度の誤差忠実度と,実際の量子状態サンプリングに十分な確率を達成できた。
  論文  参考訳（メタデータ） (2025-04-17T15:41:48Z)
• Multi-stream Physics Hybrid Networks for solving Navier-Stokes equations [36.136619420474766]
  マルチストリーム物理ハイブリッドネットワークは、量子層と古典層を並列に統合する新しいニューラルネットワークである。 このアプローチは、分離された周波数成分に解を分解し、それぞれ独立したパラレルハイブリッドネットワークによって予測される。 その結果, 従来のモデルに比べて, 速度成分が36%, 圧力予測が41%, 根平均二乗誤差が36%減少することがわかった。
  論文  参考訳（メタデータ） (2025-04-02T16:50:54Z)
• QCPINN: Quantum-Classical Physics-Informed Neural Networks for Solving PDEs [0.45880283710344066]
  物理インフォームドニューラルネットワーク(PINN)は、ニューラルネットワークに物理法則を埋め込むことで偏微分方程式(PDE)を解くための有望な方法として登場した。 量子および古典的成分を組み合わせた量子古典物理学インフォームドニューラルネットワーク(QCPINN)を提案し,従来のPINNに匹敵する精度と収束性を維持しつつ,パラメータを著しく少なくしてPDEを解くことができる。
  論文  参考訳（メタデータ） (2025-03-20T19:52:26Z)
• Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
  本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。 量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
  論文  参考訳（メタデータ） (2024-02-25T16:57:51Z)
• Hybrid quantum physics-informed neural networks for simulating computational fluid dynamics in complex shapes [37.69303106863453]
  本稿では3次元Y字ミキサー内の層流をシミュレートするハイブリッド量子物理学インフォームドニューラルネットワークを提案する。 我々のアプローチは、量子モデルの表現力と物理インフォームドニューラルネットワークの柔軟性を組み合わせることで、純粋に古典的なニューラルネットワークに比べて21%高い精度を実現している。
  論文  参考訳（メタデータ） (2023-04-21T20:49:29Z)
• Neural Basis Functions for Accelerating Solutions to High Mach Euler Equations [63.8376359764052]
  ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。 ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。 これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
  論文  参考訳（メタデータ） (2022-08-02T18:27:13Z)

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。