論文の概要: PINNACLE: An Open-Source Computational Framework for Classical and Quantum PINNs

• arxiv url: http://arxiv.org/abs/2604.15645v1
• Date: Fri, 17 Apr 2026 02:42:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.712793
• Title: PINNACLE: An Open-Source Computational Framework for Classical and Quantum PINNs
• Title（参考訳）: PINNACLE: 古典的で量子的なPINNのためのオープンソースの計算フレームワーク
• Authors: Shimon Pisnoy, Hemanth Chandravamsi, Ziv Chen, Aaron Goldgewert, Gal Shaviner, Boris Shragner, Steven H. Frankel,
• Abstract要約: PINNACLEは、物理インフォームドニューラルネットワーク(PINN)のためのオープンソースの計算フレームワークである。 統一されたモジュールワークフロー内に、現代的なトレーニング戦略、マルチGPUアクセラレーション、ハイブリッド量子古典アーキテクチャを統合する。 これにより,1次元双曲保存則,非圧縮性流れ,電磁波伝搬などのベンチマーク問題に対してPINN性能を体系的に評価することができる。
• 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 present PINNACLE, an open-source computational framework for physics-informed neural networks (PINNs) that integrates modern training strategies, multi-GPU acceleration, and hybrid quantum-classical architectures within a unified modular workflow. The framework enables systematic evaluation of PINN performance across benchmark problems including 1D hyperbolic conservation laws, incompressible flows, and electromagnetic wave propagation. It supports a range of architectural and training enhancements, including Fourier feature embeddings, random weight factorization, strict boundary condition enforcement, adaptive loss balancing, curriculum training, and second-order optimization strategies, with extensibility to additional methods. We provide a comprehensive benchmark study quantifying the impact of these methods on convergence, accuracy, and computational cost, and analyze distributed data parallel scaling in terms of runtime and memory efficiency. In addition, we extend the framework to hybrid quantum-classical PINNs and derive a formal estimate for circuit-evaluation complexity under parameter-shift differentiation. Results highlight the sensitivity of PINNs to architectural and training choices, confirm their high computational cost relative to classical solvers, and identify regimes where hybrid quantum models offer improved parameter efficiency. PINNACLE provides a foundation for benchmarking physics-informed learning methods and guiding future developments through quantitative assessment of their trade-offs.
• Abstract（参考訳）: 本稿では、現代的なトレーニング戦略、マルチGPUアクセラレーション、ハイブリッド量子古典アーキテクチャを統合した、物理情報ニューラルネットワーク(PINN)のためのオープンソースの計算フレームワークであるPINNACLEを提案する。 このフレームワークは,1次元双曲保存則,非圧縮性流れ,電磁波伝搬などのベンチマーク問題に対して,PINN性能の体系的評価を可能にする。 フォーリエ機能埋め込み、ランダムな重み付け、厳密な境界条件強制、適応的損失分散、カリキュラムトレーニング、二階最適化戦略など、さまざまなアーキテクチャとトレーニングの強化をサポートする。 本稿では,これらの手法がコンバージェンス,精度,計算コストに与える影響を定量的に評価し,実行時およびメモリ効率の観点から分散データ並列スケーリングを解析する。 さらに、このフレームワークをハイブリッドな量子古典型PINNに拡張し、パラメータシフト微分の下での回路評価複雑性の正式な推定を導出する。 結果は、アーキテクチャとトレーニングの選択に対するPINNの感度を強調し、古典的解法と比較して高い計算コストを確認し、ハイブリッド量子モデルによりパラメータ効率が向上する状況を特定する。 PINNACLEは物理インフォームドラーニング手法をベンチマークし、トレードオフを定量的に評価することで将来の発展を導く基盤を提供する。

関連論文リスト

• Domain-Aware Hybrid Quantum Learning via Correlation-Guided Circuit Design for Crime Pattern Analytics [54.3410887955176]
  犯罪パターン分析は法執行機関と予測警察にとって重要である。 急速な都市化による犯罪活動の急増は、高次元の不均衡なデータセットを生み出す。 本研究では,犯罪分析のための量子古典比較フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-08T06:05:25Z)
• 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)
• Quantum LEGO Learning: A Modular Design Principle for Hybrid Artificial Intelligence [63.39968536637762]
  古典的および量子的コンポーネントを再利用可能で構成可能な学習ブロックとして扱う学習フレームワークであるQuantum LEGO Learningを紹介します。 このフレームワーク内では、トレーニング済みの古典的ニューラルネットワークがフリーズ機能ブロックとして機能し、VQCはトレーニング可能な適応モジュールとして機能する。 我々は,学習誤差を近似と推定成分に分解するブロックワイズ一般化理論を開発した。
  論文  参考訳（メタデータ） (2026-01-29T14:29:21Z)
• Parameter efficient hybrid spiking-quantum convolutional neural network with surrogate gradient and quantum data-reupload [0.20999222360659606]
  Spiking Quantum Neural Network(SQNN)は、スパイクニューラルネットワーク(SNN)と量子コンピューティングの原則を組み合わせたものだ。 SQDR-CNNは、単一のバックプロパゲーションフレームワーク内で畳み込みSNNと量子回路の共同トレーニングを可能にする。 我々は,SOTA SNNベースラインの平均最高性能精度の86%を達成しているが,最小スパイキングモデルのパラメータの0.5%しか使用していない。
  論文  参考訳（メタデータ） (2025-12-03T15:43:33Z)
• TensorHyper-VQC: A Tensor-Train-Guided Hypernetwork for Robust and Scalable Variational Quantum Computing [50.95799256262098]
  量子機械学習のための新しいテンソルトレイン(TT)誘導ハイパーネットワークフレームワークであるHyper-VQCを紹介する。 我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに委譲し、量子ハードウェアから最適化を効果的に分離する。 これらの結果から、Hyper-VQCは、短期デバイス上での実用的な量子機械学習を促進するためのスケーラブルで耐雑音性のあるフレームワークとして位置づけられる。
  論文  参考訳（メタデータ） (2025-08-01T23:37:55Z)
• Selective Feature Re-Encoded Quantum Convolutional Neural Network with Joint Optimization for Image Classification [3.8876018618878585]
  量子畳み込みニューラルネットワーク(QCNN)は、量子データと古典データの両方を分類する有望な結果を実証している。 本研究では,特徴処理の高度化と分類精度向上のためのQCNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-07-02T18:51:56Z)
• 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-Train-Based Distributed Multi-Agent Reinforcement Learning [5.673361333697935]
  量子トレインに基づく分散マルチエージェント強化学習(Dist-QTRL) 量子トレインに基づく分散マルチエージェント強化学習(Dist-QTRL)を紹介する。
  論文  参考訳（メタデータ） (2024-12-12T00:51:41Z)
• FL-QDSNNs: Federated Learning with Quantum Dynamic Spiking Neural Networks [2.5435687567731926]
  FL-QDSNN(Federated Learning-Quantum Dynamic Spiking Neural Networks)を提案する。 FL-QDSNNは、非IIDクライアントデータに対する高い予測精度を維持するプライバシー保護フレームワークである。 その鍵となる革新は、局所的なデータドリフトが追加表現性を必要とする場合にのみ量子ゲートをトリガーする動的閾値スパイキング機構である。
  論文  参考訳（メタデータ） (2024-12-03T09:08:33Z)

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。