論文の概要: Explainable quantum-compressed machine learning for complex fluid flows
- arxiv url: http://arxiv.org/abs/2607.21688v1
- Date: Thu, 23 Jul 2026 15:05:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 20:58:56.958992
- Title: Explainable quantum-compressed machine learning for complex fluid flows
- Title（参考訳）: 複素流体流に対する説明可能な量子圧縮機械学習
- Abstract要約: 物理系の機械学習サロゲートに量子圧縮機械学習(QCML)を導入する。
QCMLは、サロゲートを直接解釈可能で、表現性を犠牲にすることなく制御できる。
これらの結果は、QCMLを科学機械学習の作業コンポーネントとして確立し、実世界の予測において実用的な量子的優位性に対する具体的な貢献である。
- 参考スコア（独自算出の注目度）: 1.418331888050121
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine-learning surrogates of physical systems face a paradox: explainable models facing the challenge of expressivity to capture complex nonlinear flows, whereas expressive deep surrogates match high-fidelity simulations only through massive parameterisations that turn the learned dynamics into a black box. Here, we introduce quantum-compressed machine learning (QCML), which resolves this tension by compressing the latent propagator of a flow surrogate from $524{,}288$ trainable parameters to no more than $8$. This parameter reduction brings the learned dynamical law to the parameter scale of a physical constitutive relation rather than a black-box neural network, making the surrogate directly interpretable and controllable without sacrificing expressivity. The compression is realised by a structured quantum circuit whose unitary propagator constrains the latent spectrum to the unit circle exactly and by construction, replacing exponential error growth with linear accumulation over autoregressive rollouts. Classical regularisation only approximates this constraint: even a quantum-inspired classical baseline penalised towards unitarity collapses within one Lyapunov time on turbulent channel flow, whereas QCML remains stable over the full rollout. Shared phase and coupling angles parameterising the circuit correspond directly to modal frequencies and inter-mode interactions, giving the learned dynamics a physical interpretation in spectral space. On two patient-specific cardiovascular benchmarks, the structured QCML propagator matches the predictive accuracy of its classical counterpart on surface pressure spectra, pressure drop, and wall shear stress. These results establish QCML as a working component of scientific machine learning and a concrete contribution towards practical quantum advantage in real-world prediction.
- Abstract（参考訳）: 複雑な非線形フローを捉えるための表現性の課題に直面した説明可能なモデルに対して、表現的な深層サロゲートは、学習されたダイナミクスをブラックボックスに変える大規模なパラメータ化によってのみ、高忠実度シミュレーションにマッチする。
ここでは量子圧縮機械学習(QCML)を導入し,フローサロゲートの潜在プロパゲータを524{,}288$のトレーニング可能なパラメータから8ドル以下に圧縮することで,この緊張を解消する。
このパラメータ還元は、学習された力学則をブラックボックスニューラルネットワークよりも物理構成的関係のパラメータスケールに導いており、サロゲートを直接解釈可能で、表現性を犠牲にすることなく制御可能である。
圧縮は、単位プロパゲータが遅延スペクトルを単位円に正確にかつ正確に制限し、指数誤差の増大を自己回帰ロールアウト上の線形蓄積に置き換える構造量子回路によって実現される。
古典的正規化は、この制約を近似するだけであり、量子にインスパイアされた古典的ベースラインでさえ、乱流上の1つのリャプノフ時間内にユニタリティが崩壊するのに対して、QCMLは完全なロールアウトよりも安定である。
回路をパラメータ化する共有位相と結合角は、モーダル周波数とモード間相互作用に直接対応し、学習力学はスペクトル空間の物理的解釈を与える。
2つの患者特異的心血管ベンチマークにおいて、構造化QCMLプロパゲータは、従来のQCMLプロパゲータの予測精度を、表面圧力スペクトル、圧力降下、壁せん断応力で一致させる。
これらの結果は、QCMLを科学機械学習の作業コンポーネントとして確立し、実世界の予測において実用的な量子的優位性に対する具体的な貢献である。
関連論文リスト
- Multi-Head Residual-Gated DeepONet for Coherent Nonlinear Wave Dynamics [3.108753350611607]
コヒーレント非線形波動力学は、初期状態の物理的に意味のある記述子のコンパクトな集合によって強く形作られる。
ここでは、状態進化と量子力学における物理的に意味のある観測可能性の相補的な役割に着想を得て、異なるパラダイムを導入する。
我々は,プレブランチ残差変調器,分岐残差ゲート,トランク残差ゲートを組み合わせたMH-RG(Multi-Head Residual-Gated DeepONet)を開発した。
論文 参考訳（メタデータ） (2026-04-13T19:05:49Z) - Quantum machine learning for efficient reduced order modelling of turbulent flows [7.466937279190739]
乱流の正確な予測は、その高次元性と固有非線形性のために流体力学における中心的な課題である。
量子アルゴリズムと機械学習の最近の発展は、乱流モデリングに固有の計算障壁を克服する新たな機会を提供する。
ここでは、リアルタイムの乱流予測を高速化する新しいハイブリッド量子古典的フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-23T17:42:46Z) - QML-HCS: A Hypercausal Quantum Machine Learning Framework for Non-Stationary Environments [0.0]
QML-HCSは量子インスパイアされた機械学習モデルの構築と分析のための研究グレードのフレームワークである。
可逆変換、マルチパス因果伝播、ドリフト中の代替状態の評価が可能な超因果処理コアを実装している。
アーキテクチャには継続的フィードバックが組み込まれており、因果一貫性を維持し、完全な再トレーニングを必要とせずにモデル動作を調整する。
論文 参考訳（メタデータ） (2025-11-18T17:50:49Z) - Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。
近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。
QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
論文 参考訳（メタデータ） (2025-10-15T12:17:23Z) - Direct probing of the simulation complexity of open quantum many-body dynamics [42.085941481155295]
量子および古典的手法の両方を用いて, 開系力学のシミュレーションにおける散逸の役割について検討する。
その結果, 散散布は, 中・長期の時間スケールで異なる方法で相関長と混合時間に影響を及ぼすことがわかった。
論文 参考訳（メタデータ） (2025-08-27T15:14:36Z) - Dynamical Phase Transitions in Open Quantum Walks [0.0]
オープン量子系において、デコヒーレンスによる古典化によって非エルミートスペクトル現象へのアクセスが可能となる新しい臨界挙動のクラスを示す。
この結果は、量子シミュレーション、エラー軽減、制御可能な非平衡量子状態の工学など、量子技術に有望な意味を与える。
論文 参考訳（メタデータ） (2025-08-16T07:17:36Z) - Quantum-Informed Machine Learning for Predicting Spatiotemporal Chaos [1.5216516276847551]
本稿では,高次元カオスシステムの長期動的挙動に対する量子インフォームド・機械学習(QIML)フレームワークを提案する。
本研究では, 倉本-シヴァシンスキー方程式, 2次元コルモゴロフ流, 完全に発達した3次元乱流流の断面の3つの代表系についてQIMLを評価する。
論文 参考訳（メタデータ） (2025-07-26T08:36:16Z) - 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) - Constructive interference at the edge of quantum ergodic dynamics [116.94795372054381]
時間外2次相関器 OTOC$(2)$ を用いてエルゴード力学を特徴付ける。
時間反転のない力学とは対照的に、OTOC$(2)$は長い時間スケールで基礎となる力学に敏感である。
論文 参考訳（メタデータ） (2025-06-11T21:29:23Z) - KITINet: Kinetics Theory Inspired Network Architectures with PDE Simulation Approaches [43.872190335490515]
本稿では,非平衡粒子動力学のレンズによる特徴伝播を再解釈する新しいアーキテクチャKITINetを紹介する。
そこで本研究では,粒子系の進化をモデルとした残留モジュールを提案する。
この定式化は粒子衝突とエネルギー交換を模倣し、物理インフォームド相互作用による適応的特徴改善を可能にする。
論文 参考訳（メタデータ） (2025-05-23T13:58:29Z) - QAMA: Scalable Quantum Annealing Multi-Head Attention Operator for Deep Learning [48.12231190677108]
QAMA(Quantum Annealing Multi-Head Attention)は、エネルギーベースのハミルトン最適化問題として注目を集める新しいドロップイン演算子である。
この枠組みでは、トークン相互作用を二項二項項に符号化し、低エネルギー構成の探索に量子アニールを用いる。
経験的に、自然言語と視覚のベンチマークによる評価は、タスク全体にわたって、標準的なマルチヘッドの注意から少なくとも2.7ポイントの精度が低下していることを示している。
論文 参考訳（メタデータ） (2025-04-15T11:29:09Z)
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。