論文の概要: Variational Quantum Physics-Informed Neural Networks for Hydrological PDE-Constrained Learning with Inherent Uncertainty Quantification
- arxiv url: http://arxiv.org/abs/2604.09374v2
- Date: Tue, 14 Apr 2026 03:27:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-15 14:01:13.30523
- Title: Variational Quantum Physics-Informed Neural Networks for Hydrological PDE-Constrained Learning with Inherent Uncertainty Quantification
- Title（参考訳）: 固有不確実性量子化を用いた水文PDE制約学習のための変分量子物理学インフォームニューラルネットワーク
- Authors: Prasad Nimantha Madusanka Ukwatta Hewage, Midhun Chakkravarthy, Ruvan Kumara Abeysekara,
- Abstract要約: ハイブリッド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(HQC-PINN)を提案する。
HQC-PINNは、パラメータ化された変分量子回路を、水文PDE制約学習のためのPINNフレームワークに統合する。
スリランカのカルー川流域のマルチモーダル衛星と気象データの数値シミュレーションにより、HQC-PINNは3倍少ない訓練で収束し、同等の古典的なPINNに比べて44%少ない訓練パラメータを使用することが示された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a Hybrid Quantum-Classical Physics-Informed Neural Network (HQC-PINN) that integrates parameterized variational quantum circuits into the PINN framework for hydrological PDE-constrained learning. Our architecture encodes multi-source remote sensing features into quantum states via trainable angle encoding, processes them through a hardware-efficient variational ansatz with entangling layers, and constrains the output using the Saint-Venant shallow water equations and Manning's flow equation as differentiable physics loss terms. The inherent stochasticity of quantum measurement provides a natural mechanism for uncertainty quantification without requiring explicit Bayesian inference machinery. We further introduce a quantum transfer learning protocol that pre-trains on multi-hazard disaster data before fine-tuning on flood-specific events. Numerical simulations on multi-modal satellite and meteorological data from the Kalu River basin, Sri Lanka, show that the HQC-PINN achieves convergence in ~3x fewer training epochs and uses ~44% fewer trainable parameters compared to an equivalent classical PINN, while maintaining competitive classification accuracy. Theoretical analysis indicates that hydrological physics constraints narrow the effective optimization landscape, providing a natural mitigation against barren plateaus in variational quantum circuits. This work establishes the first application of quantum-enhanced physics-informed learning to hydrological prediction and demonstrates a viable path toward quantum advantage in environmental science.
- Abstract（参考訳）: 本稿では,パラメータ化された変分量子回路を,水文PDE制約学習のためのPINNフレームワークに統合するハイブリッド量子古典物理学情報ニューラルネットワーク(HQC-PINN)を提案する。
我々のアーキテクチャは、トレーニング可能な角度符号化によってマルチソースのリモートセンシング機能を量子状態に符号化し、それをハードウェア効率の変動アンサッツで処理し、サン=ヴェナント浅水方程式とマニングのフロー方程式を微分可能な物理損失項として出力を制約する。
量子測定の本質的な確率性は、明確なベイズ推論機構を必要としない不確実性定量化の自然なメカニズムを提供する。
さらに、洪水固有のイベントを微調整する前に、多障害災害データに基づいて事前訓練を行う量子トランスファー学習プロトコルを導入する。
スリランカのカルー川流域のマルチモーダル衛星と気象データに関する数値シミュレーションでは、HQC-PINNは3倍の訓練エポックで収束し、同等の古典的なPINNに比べて44%のトレーニング可能なパラメータを使用する。
理論的解析は、流体物理学の制約が効果的な最適化の風景を狭め、変分量子回路におけるバレンプラトーに対する自然な緩和を与えることを示している。
この研究は、量子エンハンス物理インフォームドラーニングの流体学的予測への最初の応用を確立し、環境科学における量子優位への有効な道を示す。
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) - Bridging quantum and classical computing for partial differential equations through multifidelity machine learning [0.46664938579243564]
偏微分方程式(PDE)の量子アルゴリズムは、短期ハードウェアに厳しい実用的制約に直面している。
本稿では,スパース古典的学習データを用いて,粗い量子解を高精度に補正する多要素学習フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-04T20:39:23Z) - Quantum-Classical Physics-Informed Neural Networks for Solving Reservoir Seepage Equations [1.376408511310322]
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。
論文 参考訳（メタデータ） (2025-12-03T16:14:16Z) - 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) - 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) - Exploring quantum localization with machine learning [39.58317527488534]
本稿では、その局所化の観点から、波動関数を分類するための効率的なニューラルネットワーク(NN)アーキテクチャを提案する。
提案手法は, 量子位相空間のパラメトリゼーションにより, 改良畳み込みモデルのパターン認識機能と, 独自の「量子」NNへと導かれる。
論文 参考訳（メタデータ） (2024-06-01T08:50:26Z) - Continuous Variable Based Quantum Communication in the Ocean [0.0]
本研究では,水中量子通信用連続可変型量子鍵分布系におけるガウス光の透過に対する乱流の影響について検討する。
我々は広く受け入れられているABCD行列形式を採用し、異なる媒体を介して光ビームの伝搬を特徴付けるための包括的な枠組みを提供する。
結果の損失を評価し,提案システムの性能を評価する数値シミュレーションフレームワークを開発した。
論文 参考訳（メタデータ） (2024-01-24T06:09:20Z) - 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)
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。