論文の概要: Quantum-Assisted Trainable-Embedding Physics-Informed Neural Networks for Parabolic PDEs

• arxiv url: http://arxiv.org/abs/2602.14596v1
• Date: Mon, 16 Feb 2026 09:59:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:50.358339
• Title: Quantum-Assisted Trainable-Embedding Physics-Informed Neural Networks for Parabolic PDEs
• Title（参考訳）: パラボリックPDEのための量子支援型トレーニング型物理インフォームニューラルネットワーク
• Authors: Ban Q. Tran, Nahid Binandeh Dehaghani, Rafal Wisniewski, Susan Mengel, A. Pedro Aguiar,
• Abstract要約: 物理インフォームドニューラルネットワーク(PINN)は偏微分方程式(PDE)を解くための強力な枠組みとして登場した。 量子機械学習の最近の進歩は、表現能力の向上を目的としたハイブリッド量子古典拡張を動機付けている。 本研究では、パラボリックPDEを解くために、量子支援PINN内のトレーニング可能な埋め込み戦略について検討する。
• 参考スコア（独自算出の注目度）: 1.7887197093662073
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physics-informed neural networks (PINNs) have emerged as a powerful framework for solving partial differential equations (PDEs) by embedding governing physical laws directly into the training objective. Recent advances in quantum machine learning have motivated hybrid quantum-classical extensions aimed at enhancing representational capacity while remaining compatible with near-term quantum hardware. In this work, we investigate trainable embedding strategies within quantum-assisted PINNs for solving parabolic PDEs, using one- and two-dimensional heat equations as canonical benchmarks. We introduce two quantum-assisted architectures that differ in their embedding components. In the first approach, a classical feed-forward neural network generates trainable feature maps for quantum data encoding (FNN-TE-QPINN). In the second, the embedding stage is realized entirely by a parameterized quantum circuit (QNN-TE-QPINN), yielding a fully quantum feature map. Our findings emphasize the critical role of embedding design and support hybrid quantum-classical approaches for parabolic PDE modeling in the NISQ era.
• Abstract（参考訳）: 物理インフォームドニューラルネットワーク(PINN)は、物理法則を直接訓練対象に埋め込み、偏微分方程式(PDE)を解くための強力なフレームワークとして登場した。 量子機械学習の最近の進歩は、短期的な量子ハードウェアとの互換性を維持しながら、表現能力の向上を目的としたハイブリッド量子古典拡張を動機付けている。 本研究では,1次元および2次元の熱方程式を標準ベンチマークとして用い,量子支援型PINN内のトレーニング可能な埋め込み戦略について検討する。 埋め込みコンポーネントが異なる2つの量子支援アーキテクチャを導入する。 最初のアプローチでは、古典的なフィードフォワードニューラルネットワークが量子データ符号化(FNN-TE-QPINN)のためのトレーニング可能な特徴マップを生成する。 第二に、埋め込みステージは完全にパラメタライズド量子回路(QNN-TE-QPINN)によって実現され、完全な量子特徴写像が得られる。 我々は,NISQ時代のパラボリックPDEモデリングにおいて,組込み設計とハイブリッド量子古典的アプローチの支援の重要性を強調した。

関連論文リスト

• A Trainable-Embedding Quantum Physics-Informed Framework for Multi-Species Reaction-Diffusion Systems [1.7887197093662073]
  本研究では, 非線形反応拡散系の文脈において, トレーニング可能な量子物理学インフォームドニューラルネットワーク(TE-QPINN)の埋め込み戦略について検討する。 本稿では,古典的および完全量子埋め込みをサポートする拡張TE-QPINN(x-TE-QPINN)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-02-10T00:19:12Z)
• Q-RUN: Quantum-Inspired Data Re-uploading Networks [9.564540024568245]
  データ再ロード量子回路(DRQC)は、量子ニューラルネットワークを実装する上で重要なアプローチである。 量子インスパイアされたデータ再ロードネットワーク(Q-RUN)の提案により、DRQCの数学的パラダイムを古典モデルに導入する。 Q-RUNは量子ハードウェアを持たない量子モデルのフーリエ表現的優位性を維持している。
  論文  参考訳（メタデータ） (2025-12-18T04:12:09Z)
• 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)
• Quantum Convolutional Neural Network with Nonlinear Effects and Barren Plateau Mitigation [0.0]
  量子ニューラルネットワーク(QNN)は、量子エンタングルメントと重畳を利用して、大規模並列線形計算を可能にする。 しかし,本質的な非線形操作の欠如やバレンプラトー現象により,実用的展開が妨げられている。 両問題に同時に対処する量子ニューラル畳み込みネットワーク(QCNN)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-08-04T14:26:48Z)
• 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)
• 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)
• 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)
• 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)
• Experimental Quantum Generative Adversarial Networks for Image Generation [93.06926114985761]
  超伝導量子プロセッサを用いた実世界の手書き桁画像の学習と生成を実験的に行う。 我々の研究は、短期量子デバイス上での高度な量子生成モデル開発のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2020-10-13T06:57:17Z)

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。