論文の概要: Accelerating physics-informed neural networks for full waveform inversion using a hybrid quantum-classical finite-basis architecture
- arxiv url: http://arxiv.org/abs/2606.01110v1
- Date: Sun, 31 May 2026 09:04:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:29.21076
- Title: Accelerating physics-informed neural networks for full waveform inversion using a hybrid quantum-classical finite-basis architecture
- Title（参考訳）: ハイブリッド量子古典有限基底アーキテクチャを用いたフルウェーブフォームインバージョンのための物理インフォームニューラルネットワークの高速化
- Authors: Hoang Anh Nguyen, Divakar Vashisth, Ali Tura,
- Abstract要約: フルウェーブフォームインバージョン(FWI)は、受信データから不均一な材料特性を再構成するが、計算的に要求される。
音響FWIのためのハイブリッド量子古典型FBPINNを提案し,量子コンピューティングと古典的機械学習を組み合わせた。
この枠組みは, 医用超音波トモグラフィーや非破壊評価など, 物理以外の波動による逆問題にも広く適用可能である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Full waveform inversion (FWI) reconstructs heterogeneous material properties from receiver data but remains computationally demanding. Physics-informed neural networks (PINNs) and their domain-decomposed variants (FBPINNs) offer a mesh-free alternative but face convergence challenges when representing complex velocity fields. We present a hybrid quantum-classical FBPINN for acoustic FWI, bringing together quantum computing and classical machine learning, in which the decomposed wavefield network and the global velocity network are implemented as classical-to-quantum pipelines terminating in parameterized quantum circuits (PQCs). The PQCs are realized as differentiable JAX statevector simulators, enabling end-to-end automatic differentiation through the classical PINN, the quantum circuit, and the physics-informed loss. On a geophysical anomaly benchmark, the quantum hybrid reaches a lower L1 velocity error than the primary classical FBPINN baseline in approximately 8x fewer training iterations, despite using approximately 33% fewer trainable parameters, and it outperforms all 15 classical hyperparameter variants tested. A second benchmark (checkerboard) demonstrates the generality of the inversion pipeline, confirming that the quantum hybrid architecture can recover structured spatial variations beyond the localized anomaly benchmark. Our framework is broadly applicable to wave-based inverse problems beyond geophysics, including medical ultrasound tomography and non-destructive evaluation.
- Abstract（参考訳）: フルウェーブフォームインバージョン(FWI)は、受信データから不均一な材料特性を再構成するが、計算的に要求される。
物理インフォームドニューラルネットワーク(PINN)とそのドメイン分解型(FBPINN)はメッシュのない代替手段を提供するが、複雑な速度場を表現する際には収束の課題に直面している。
本稿では,音響FWIのためのハイブリッド量子古典FBPINNを提案し,量子コンピューティングと古典機械学習を融合させ,分解波動場ネットワークと大域速度ネットワークをパラメタライズド量子回路(PQC)で終端する古典量子パイプラインとして実装する。
PQCは差別化可能なJAX状態ベクトルシミュレータとして実現され、古典的なPINN、量子回路、物理インフォームドロスによるエンドツーエンドの自動微分を可能にする。
物理異常ベンチマークでは、量子ハイブリッドはトレーニング可能なパラメータを約33%減らしたにもかかわらず、従来のFBPINNベースラインの約8倍のトレーニング繰り返しでL1速度誤差に到達し、15の古典的ハイパーパラメータの変種を上回ります。
第2のベンチマーク(チェッカーボード)では、量子ハイブリッドアーキテクチャが局所的異常ベンチマークを超えた構造的空間変動を回復できることを確認した。
この枠組みは, 医用超音波トモグラフィーや非破壊評価など, 物理以外の波動による逆問題にも広く適用可能である。
関連論文リスト
- Variational Quantum Physics-Informed Neural Networks for Hydrological PDE-Constrained Learning with Inherent Uncertainty Quantification [0.0]
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。
論文 参考訳（メタデータ） (2026-04-10T14:45:38Z) - 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) - Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
CL-QASは連続的な量子アーキテクチャ検索フレームワークである。
振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。
制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
論文 参考訳（メタデータ） (2026-01-10T02:36:03Z) - A Classical-Quantum Hybrid Architecture for Physics-Informed Neural Networks [0.0]
本稿では,QPINN-MACを用いた量子古典的ハイブリッド物理インフォームドニューラルネットワークについて紹介する。
古典的成分と量子的成分の戦略的結合により、QPINN-MACは普遍近似特性を保持する。
これらの結合が勾配崩壊を防ぎ、高次元状態においてもトレーニング性を確保することを実証する。
論文 参考訳（メタデータ） (2025-11-10T15:39:18Z) - 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) - Toward Practical Quantum Machine Learning: A Novel Hybrid Quantum LSTM for Fraud Detection [0.1398098625978622]
本稿では,不正検出のためのハイブリッド量子古典ニューラルネットワークアーキテクチャを提案する。
重畳や絡み合いなどの量子現象を活用することで、我々のモデルはシーケンシャルトランザクションデータの特徴表現を強化する。
その結果,従来のLSTMベースラインと比較して,精度,精度,リコール,F1スコアの競争力の向上が示された。
論文 参考訳（メタデータ） (2025-04-30T19:09:12Z) - Seismic inversion using hybrid quantum neural networks [2.897792418778358]
量子コンピュータは、重ね合わせと絡み合いを利用した量子ビットを使用して動作し、古典的に難解な問題を解く能力を提供する。
我々は、ポストスタックおよびプレスタック地震インバージョンのための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(HQ-PINN)を開発した。
論文 参考訳（メタデータ） (2025-03-06T22:21:45Z) - 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) - Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。
テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。
この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
論文 参考訳（メタデータ） (2023-05-18T03:08:18Z) - Quantum Federated Learning with Entanglement Controlled Circuits and
Superposition Coding [44.89303833148191]
我々は、絡み合ったスリム化可能な量子ニューラルネットワーク(eSQNN)の深さ制御可能なアーキテクチャを開発する。
本稿では,eS-QNNの重畳符号化パラメータを通信する絡み合ったスリム化QFL(eSQFL)を提案する。
画像分類タスクでは、広範囲なシミュレーションがeSQFLの有効性を裏付ける。
論文 参考訳（メタデータ） (2022-12-04T03:18:03Z)
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。