論文の概要: Explaining the advantage of quantum-enhanced physics-informed neural networks

• arxiv url: http://arxiv.org/abs/2601.15046v1
• Date: Wed, 21 Jan 2026 14:50:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.4031
• Title: Explaining the advantage of quantum-enhanced physics-informed neural networks
• Title（参考訳）: 量子物理学インフォームドニューラルネットワークの利点を解説する
• Authors: Nils Klement, Veronika Eyring, Mierk Schwabe,
• Abstract要約: 偏微分方程式(PDE)は多くの自然現象エナのシミュレーションのバックボーンを形成する。 量子コンピューティングがPDEを解くための物理インフォームドニューラルネットワークの能力をどのように改善するかを示す。
• 参考スコア（独自算出の注目度）: 0.05997422707234518
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Partial differential equations (PDEs) form the backbone of simulations of many natural phenom- ena, for example in climate modeling, material science, and even financial markets. The application of physics-informed neural networks to accelerate the solution of PDEs is promising, but not compet- itive with numerical solvers yet. Here, we show how quantum computing can improve the ability of physics-informed neural networks to solve partial differential equations. For this, we develop hybrid networks consisting of quantum circuits combined with classical layers and systematically test them on various non linear PDEs and boundary conditions in comparison with purely classical networks. We demonstrate that the advantage of using quantum networks lies in their ability to achieve an accurate approximation of the solution in substantially fewer training epochs, particularly for more complex problems. These findings provide the basis for targeted developments of hybrid quantum neural networks with the goal to significantly accelerate numerical modeling.
• Abstract（参考訳）: 偏微分方程式 (Partial differential equation, PDE) は、気候モデリング、物質科学、金融市場など、多くの自然現象エナのシミュレーションのバックボーンを形成する。 物理インフォームドニューラルネットワークによるPDEの解の高速化は有望であるが,数値解法との共役性はまだない。 ここでは、量子コンピューティングが、偏微分方程式を解くための物理インフォームドニューラルネットワークの能力をどのように改善するかを示す。 そこで本研究では,古典層と結合した量子回路からなるハイブリッドネットワークを開発し,古典的ネットワークと比較して,様々な非線形PDEと境界条件を体系的にテストする。 量子ネットワークを使うことの利点は、特により複雑な問題に対して、より少ないトレーニングエポックにおいて、解の正確な近似を達成する能力にあることを実証する。 これらの知見は、数値モデリングを著しく加速することを目的として、ハイブリッド量子ニューラルネットワークのターゲット開発の基礎となる。

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)
• Solving Differential Equation with Quantum-Circuit Enhanced Physics-Informed Neural Networks [0.0]
  物理情報ニューラルネットワーク(PINN)と小さな量子回路から生成された特徴を組み合わせた,シンプルなハイブリッドフレームワークを提案する。 概念の証明として、量子測定確率をニューラルモデルに入力することで、一階方程式が解かれる。 解析結果は,ハイブリッドモデルが解析解を再現することを示している。
  論文  参考訳（メタデータ） (2025-09-17T11:10:09Z)
• 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)
• 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)
• From Graphs to Qubits: A Critical Review of Quantum Graph Neural Networks [56.51893966016221]
  量子グラフニューラルネットワーク(QGNN)は、量子コンピューティングとグラフニューラルネットワーク(GNN)の新たな融合を表す。 本稿では,QGNNの現状を批判的にレビューし,様々なアーキテクチャを探求する。 我々は、高エネルギー物理学、分子化学、ファイナンス、地球科学など多種多様な分野にまたがる応用について論じ、量子的優位性の可能性を強調した。
  論文  参考訳（メタデータ） (2024-08-12T22:53:14Z)
• Unsupervised Random Quantum Networks for PDEs [0.0]
  PINNは、微分演算子と関連する境界条件を満たすように訓練されたディープニューラルネットワークの助けを借りて、PDEの解を近似する。 我々はこのアイデアを量子コンピューティング領域で再考し、パラメータ化されたランダム量子回路を試行的な解として用いた。 ランダムな量子ネットワークは、従来の量子ネットワークやランダムな古典的ネットワークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-21T10:25:52Z)
• 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)
• Quantum machine learning for image classification [39.58317527488534]
  本研究では、量子力学の原理を有効計算に活用する2つの量子機械学習モデルを紹介する。 我々の最初のモデルは、並列量子回路を持つハイブリッド量子ニューラルネットワークであり、ノイズの多い中間スケール量子時代においても計算の実行を可能にする。 第2のモデルは、クオン進化層を持つハイブリッド量子ニューラルネットワークを導入し、畳み込みプロセスによる画像の解像度を低下させる。
  論文  参考訳（メタデータ） (2023-04-18T18:23:20Z)
• Efficient and quantum-adaptive machine learning with fermion neural networks [8.537841858846082]
  入力が初期層として組み込まれると、物理特性が出力として機能するフェルミオンニューラルネットワーク(FNN)を提案する。 我々は、FNNに挑戦する機械学習ベンチマークの競合性能を付与する効率的な最適化を確立する。
  論文  参考訳（メタデータ） (2022-11-10T19:00:02Z)
• Partial Differential Equations is All You Need for Generating Neural Architectures -- A Theory for Physical Artificial Intelligence Systems [40.20472268839781]
  我々は、統計物理学における反応拡散方程式、量子力学におけるシュル・オーディンガー方程式、同軸光学におけるヘルムホルツ方程式を一般化する。 数値解を求めるためにNPDEを離散化するために有限差分法を用いる。 多層パーセプトロン、畳み込みニューラルネットワーク、リカレントニューラルネットワークなど、ディープニューラルネットワークアーキテクチャの基本構築ブロックが生成される。
  論文  参考訳（メタデータ） (2021-03-10T00:05:46Z)

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。