論文の概要: Encoding strategies for quantum enhanced fluid simulations: opportunities and challenges
- arxiv url: http://arxiv.org/abs/2604.24694v1
- Date: Mon, 27 Apr 2026 16:54:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:08.190899
- Title: Encoding strategies for quantum enhanced fluid simulations: opportunities and challenges
- Title（参考訳）: 量子強化流体シミュレーションのためのエンコード戦略--可能性と課題
- Authors: Omer Rathore, Alastair Basden, Nicholas Chancellor, Halim Kusumaatmaja,
- Abstract要約: 量子エンハンス流体シミュレーションのための符号化戦略のアーキテクチャに依存しない評価を提供する。
符号化の選択は、アルゴリズム自体と量子CFDの実用的な実現可能性の両方を根本的に形作っていることを示す。
- 参考スコア（独自算出の注目度）: 0.20999222360659606
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum computing has emerged as a powerful potential accelerator for computational fluid dynamics (CFD), but whether this promise can be realized in practice depends on how fluid information is encoded on quantum hardware. This review provides an architecture-agnostic assessment of encoding strategies for quantum-enhanced fluid simulation, focusing on the trade-offs they impose on state preparation, measurement, boundary treatment, nonlinear dynamics, and temporal evolution. We examine the principal encoding paradigms used in the literature and relate them to representative quantum algorithms for fluid simulation. Through these examples, we show that encoding choices fundamentally shape both the algorithm itself and also the practical feasibility of quantum CFD. For example, highly compact encodings can offer attractive asymptotic advantages but might introduce severe bottlenecks in readout, state preparation, and nonlinear processing, whereas less compact representations may simplify interactions and improve compatibility with analog and near-term hardware. No single encoding is universally optimal, rather the most suitable choice depends strongly on the structure of the fluid problem, the computational objective and the constraints of the target quantum platform. We therefore argue that encoding should be treated as a primary design variable in quantum CFD and revisited iteratively throughout the design pipeline, as different algorithmic components interact and influence one another.
- Abstract（参考訳）: 量子コンピューティングは計算流体力学(CFD)の強力なポテンシャル加速器として登場したが、実際にこの約束が実現されるかどうかは、量子ハードウェア上での流体情報のエンコード方法に依存する。
本総説では, 状態準備, 測定, 境界処理, 非線形力学, 時間的進化に重点を置いた, 量子化流体シミュレーションのための符号化戦略のアーキテクチャに依存しない評価を行う。
文献で使用される主符号化パラダイムについて検討し,流体シミュレーションのための代表量子アルゴリズムに関連付ける。
これらの例を通して、符号化選択がアルゴリズム自体と量子CFDの実用的な実現可能性の両方を根本的に形作ることを示す。
例えば、高度にコンパクトなエンコーディングは、魅力的な漸近的優位性を提供するが、読み出し、状態準備、非線形処理において深刻なボトルネックをもたらす可能性がある一方、よりコンパクトでない表現は、相互作用を単純化し、アナログおよび短期ハードウェアとの互換性を改善することができる。
単一符号化は普遍的に最適ではないが、最も適切な選択は流体問題の構造、計算目的、対象の量子プラットフォームに対する制約に強く依存する。
したがって、符号化は量子CFDの一次設計変数として扱われるべきであり、異なるアルゴリズムコンポーネントが相互に相互作用し、影響を及ぼすため、設計パイプラインを通して反復的に再検討されるべきである。
関連論文リスト
- Quantum Annealing for Combinatorial Optimization: Foundations, Architectures, Benchmarks, and Emerging Directions [0.0]
科学、工学、産業における重要な意思決定問題は最適化に基づいている。
我々は, 断熱量子力学, Ising と QUBO モデル, 確率的および非確率的ハミルトニアン, 現代のフラックス・キュービット・アニールへのダイアバティック・トランジションに関する統一的な枠組みを開発する。
埋め込みとエンコーディングのオーバーヘッドがスケーラビリティとパフォーマンスの最大の部分であることに気付きました。
論文 参考訳（メタデータ） (2026-02-03T04:51:26Z) - 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) - Minimal Quantum Reservoirs with Hamiltonian Encoding [72.27323884094953]
ハミルトニアン符号化に基づく量子貯水池計算のための最小限のアーキテクチャについて検討する。
このアプローチは、一般的に量子機械学習に関連する実験的なオーバーヘッドの多くを回避します。
論文 参考訳（メタデータ） (2025-05-28T16:50:05Z) - Quantum Data Encoding and Variational Algorithms: A Framework for Hybrid Quantum Classical Machine Learning [0.0]
量子機械学習(QML)は、量子力学の計算フレームワークと古典的な機械学習の適応特性を統合する。
この記事では、古典的なデータパイプラインと量子アルゴリズムの接続を可能にする広範なアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-02-17T16:04:04Z) - Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [62.46800898243033]
量子学習理論の最近の進歩は、様々な古典的な入力によって生成された測定データから、大きな量子ビット回路の線形特性を効率的に学習できるのか?
我々は、小さな予測誤差を達成するためには、$d$で線形にスケーリングするサンプルの複雑さが必要であることを証明し、それに対応する計算複雑性は、dで指数関数的にスケールする可能性がある。
そこで本研究では,古典的影と三角展開を利用したカーネルベースの手法を提案し,予測精度と計算オーバーヘッドとのトレードオフを制御可能とした。
論文 参考訳（メタデータ） (2024-08-22T08:21:28Z) - Quantum Circuit Synthesis and Compilation Optimization: Overview and Prospects [59.07692103357675]
本調査では,アルゴリズムレベルから量子ハードウェアにまたがる,統合設計および最適化スキームの実現可能性について検討する。
手動設計のコストを削減し、実行の精度と効率を高め、ハードウェア上での量子アルゴリズムの優位性の実装と検証を容易にする。
論文 参考訳（メタデータ） (2024-06-30T15:50:10Z) - Polynomial Reduction Methods and their Impact on QAOA Circuits [2.4588375162098877]
量子最適化のために、高次問題定式化が、異なる所望の非機能特性を活用するためにどのように使用できるかを示す。
本研究は,本手法がさまざまなトレードオフを満足できることを示すとともに,今後の汎用抽象概念の構築の可能性も示唆している。
論文 参考訳（メタデータ） (2024-06-13T07:43:18Z) - Drastic Circuit Depth Reductions with Preserved Adversarial Robustness
by Approximate Encoding for Quantum Machine Learning [0.5181797490530444]
本研究では, 変分, 遺伝的および行列積状態に基づくアルゴリズムを用いて, 符号化画像データを表す量子状態の効率的な作成法を実装した。
その結果、これらの手法は、標準状態準備実装よりも2桁も浅い回路を用いて、QMLに適したレベルにほぼ準備できることが判明した。
論文 参考訳（メタデータ） (2023-09-18T01:49:36Z) - 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) - Concentration of Data Encoding in Parameterized Quantum Circuits [7.534037755267707]
変分量子アルゴリズムは、有意義なタスクにおいて、短期的な量子アドバンテージを実現するための主要な戦略として認識されている。
本稿では、パラメータ化量子回路に基づく共通データ符号化戦略を考察し、進展する。
妥当な仮定の下では、平均符号化状態と最大混合状態の間の距離が明らかに上界であることが証明できる。
論文 参考訳（メタデータ） (2022-06-16T16:09:40Z)
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。