論文の概要: Trainable Quantum Spectral Models for Partial Differential Equations
- arxiv url: http://arxiv.org/abs/2605.31248v1
- Date: Fri, 29 May 2026 12:47:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 20:56:50.610125
- Title: Trainable Quantum Spectral Models for Partial Differential Equations
- Title（参考訳）: 部分微分方程式に対するトレーニング可能な量子スペクトルモデル
- Abstract要約: 線形偏微分方程式(PDE)を解くためのトレーニング可能な量子スペクトルモデル(QSM)について検討する。
物理空間で解を直接学習する代わりに、QSMはスペクトル表現で逆微分作用素を学習し、方程式の自然基底に関する事前の知識を埋め込む。
本研究は,演算子を意識したスペクトル表現を,科学計算のためのトレーニング可能な物理基底量子法への有望な経路として同定した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: This work studies trainable quantum spectral models (QSMs) for solving linear partial differential equations (PDEs). Instead of learning solutions directly in physical space, QSMs learn the inverse differential operator in a spectral representation, embedding prior knowledge of the equation's natural basis. We systematically study the expressibility and trainability of several QSM architectures, ranging from near-diagonal to fully parameterized unitaries. In particular, we introduce a family of richer spectral models that interpolate between purely diagonal operators and fully mixing unitaries through a parameterized mixer controlled by $ε$. Our results reveal an intermediate regime, typically around $ε\approx 0.5$, where models achieve the best tradeoff between expressibility and trainability. Beyond this threshold, increased circuit complexity degrades convergence without improving accuracy. Among the architectures considered, models inspired by the inverse step of the Harrow-Hassidim-Lloyd (HHL) algorithm achieve the fastest training convergence while maintaining high solution fidelity. Numerical experiments on the (variable-coefficient) Poisson and Helmholtz equations show that trainable operations in the spectral basis outperform standard variational quantum circuits acting directly in the computational basis. These advantages appear through faster convergence, more stable gradients, and more accurate recovery of the reference solution spectrum, particularly through stronger suppression of spurious high-frequency components, even when the operator is not exactly diagonal in the chosen spectral basis. Our results identify operator-aware spectral representations as a promising route toward trainable and physically grounded quantum methods for scientific computing.
- Abstract（参考訳）: 本研究では、線形偏微分方程式(PDE)を解くためのトレーニング可能な量子スペクトルモデル(QSM)について研究する。
物理空間で解を直接学習する代わりに、QSMはスペクトル表現で逆微分作用素を学習し、方程式の自然基底に関する事前の知識を埋め込む。
ほぼ対角から完全にパラメータ化されたユニタリまで,いくつかのQSMアーキテクチャの表現可能性と訓練性について体系的に研究する。
特に、純粋な対角作用素間を補間し、ε$で制御されるパラメータ化ミキサーを通してユニタリを完全混合する、よりリッチなスペクトルモデル群を導入する。
この結果から, モデルが表現可能性とトレーニング可能性の最良のトレードオフを達成できるような, 平均約$ε\approx 0.5$の中間構造が明らかとなった。
このしきい値を超えると、回路の複雑さは精度を向上することなく収束を低下させる。
検討されたアーキテクチャのうち、HHL(Harrow-Hassidim-Lloyd)アルゴリズムの逆ステップにインスパイアされたモデルは、高い解の忠実さを維持しながら、最速のトレーニング収束を達成する。
ポアソン方程式とヘルムホルツ方程式の数値実験により、スペクトル基底におけるトレーニング可能な演算は、計算基底で直接作用する標準変分量子回路より優れていることが示された。
これらの利点は、より高速な収束、より安定した勾配、そしてより正確な参照解スペクトルの回復、特に、選択されたスペクトル基底において作用素が正確に対角的でない場合でも、刺激的な高周波成分の強い抑制によって現れる。
本研究は,演算子を意識したスペクトル表現を,科学計算のためのトレーニング可能な物理基底量子法への有望な経路として同定した。
関連論文リスト
- Equation Recast for Canonical Operator Learning Across Parametric PDEs [59.44573033543284]
本稿では,パラメトリック演算子学習を単一正規作用素の学習として再構成する方程式再キャストを提案する。
核融合のための高忠実トカマクシミュレーションにおいて、このフレームワークは4つのデバイス領域にまたがる電子-温度データを統一する。
論文 参考訳（メタデータ） (2026-09-02T13:15:50Z) - Analytical Series Expansion for Efficient Gradient Evaluation in Multi-Qubit Optimal Control [42.97938764966747]
勾配に基づく量子最適制御のための統一フレームワークを提案する。
ユニタリプロパゲータの場合、時間非依存の通勤者および時間依存係数を含む一連の展開を導出する。
この方法は、局所的な相互作用を持つ量子系における最適制御タスクのシミュレーションに特に適している。
論文 参考訳（メタデータ） (2026-07-29T12:50:52Z) - Neural Quantum Spectral Operator Learning for Solving Partial Differential Equations [10.074375064860753]
偏微分方程式 (Partial differential equation, PDE) は物理系や工学系のモデリングの中心である。
オペレータ学習は高速なサロゲート推論を可能にするが、通常は大規模な入出力ペアデータセットを必要とする。
本稿では,Regendre--Galerkin弱定式化を利用したハイブリッド量子古典演算子学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-12T10:30:14Z) - Uniform process tensor approach for the calculation of multi-time correlation functions of non-Markovian open systems [36.94429692322632]
プロセステンソルの時間変換不変MPO表現を用いて,多次元スペクトルの数値スケーリングを大幅に改善できることを示す。
実例システムの線形および2次元電子スペクトルを計算し,シミュレーションの性能と数値スケーリングについて考察する。
論文 参考訳（メタデータ） (2026-03-05T09:07:37Z) - SpectraKAN: Conditioning Spectral Operators [21.190440188964452]
本稿では、スペクトル演算子を入力自身で条件付けし、スペクトルを入力条件付き積分演算子に変換するニューラル演算子SpectraKANを紹介する。
これは、静的時間履歴からコンパクトなグローバル表現を抽出し、それをシングルクエリのクロスアテンションによってマルチスケールのトランクを変調することで達成される。
さまざまなPDEベンチマークを通じて、SpectraKanは最先端のパフォーマンスを実現し、強力なベースラインよりもRMSEを最大49%削減した。
論文 参考訳（メタデータ） (2026-02-05T01:30:25Z) - Physics-Informed Chebyshev Polynomial Neural Operator for Parametric Partial Differential Equations [17.758049557300826]
物理インフォームドチェビシェフ多言語ニューラル演算子(CPNO)について紹介する。
CPNOは不安定な単項展開を数値的に安定なチェビシェフスペクトルベースで置き換える。
ベンチマークパラメタライズドPDEの実験では、CPNOはより優れた精度、より高速な収束、ハイパーパラメータの堅牢性の向上を実現している。
論文 参考訳（メタデータ） (2026-02-02T07:19:56Z) - Quantum Random Feature Method for Solving Partial Differential Equations [36.58357595906332]
量子コンピューティングは、古典的な手法よりも指数的なスピードアップの可能性を秘めているため、科学計算の可能性を秘めている。
本研究では,数値解析とニューラル解析の両方の利点を利用する量子ランダム法(QRFM)を提案する。
論文 参考訳（メタデータ） (2025-10-09T08:42:09Z) - Boundary Treatment for Variational Quantum Simulations of Partial Differential Equations on Quantum Computers [1.6318838452579472]
本稿では偏微分方程式によって記述された初期境界値問題を解くための変分量子アルゴリズムを提案する。
このアプローチでは、現在のノイズの多い中間スケール量子時代の量子コンピュータに適した古典的/量子的ハードウェアを使用する。
論文 参考訳（メタデータ） (2024-02-28T18:19:33Z) - Solving High-Dimensional PDEs with Latent Spectral Models [74.1011309005488]
我々は,高次元PDEの効率的かつ高精度な解法に向けて,Latent Spectral Models (LSM) を提案する。
数値解析において古典スペクトル法に着想を得て,潜時空間におけるPDEを解くために,ニューラルスペクトルブロックを設計する。
LSMは、一貫した最先端を実現し、7つのベンチマークで平均11.5%の相対的な利益を得る。
論文 参考訳（メタデータ） (2023-01-30T04:58:40Z) - NAG-GS: Semi-Implicit, Accelerated and Robust Stochastic Optimizer [45.47667026025716]
2つの重要な要素に依存した、新しく、堅牢で、加速された反復を提案する。
NAG-GSと呼ばれる手法の収束と安定性は、まず広範に研究されている。
我々は、NAG-arityが、重量減衰を伴う運動量SGDや機械学習モデルのトレーニングのためのAdamWといった最先端の手法と競合していることを示す。
論文 参考訳（メタデータ） (2022-09-29T16:54:53Z) - Automatic and effective discovery of quantum kernels [41.61572387137452]
量子コンピューティングは、カーネルマシンが量子カーネルを利用してデータ間の類似度を表現できるようにすることで、機械学習モデルを強化することができる。
本稿では,ニューラルアーキテクチャ検索やAutoMLと同じような最適化手法を用いて,この問題に対するアプローチを提案する。
その結果、高エネルギー物理問題に対する我々のアプローチを検証した結果、最良のシナリオでは、手動設計のアプローチに関して、テストの精度を一致または改善できることが示された。
論文 参考訳（メタデータ） (2022-09-22T16:42:14Z) - Blending Neural Operators and Relaxation Methods in PDE Numerical Solvers [3.2712166248850685]
HINTSは偏微分方程式のハイブリッド、反復、数値、移乗可能な解法である。
DeepONetのスペクトルバイアスを利用して固有モードのスペクトル間の収束挙動のバランスをとる。
離散化、計算領域、境界条件に関して柔軟である。
論文 参考訳（メタデータ） (2022-08-28T19:07:54Z)
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。