論文の概要: Adaptive Quantum Physics-Informed Neural Networks for Differential Equations with Applications to Fluid Dynamics
- arxiv url: http://arxiv.org/abs/2608.00850v1
- Date: Sat, 01 Aug 2026 20:11:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:24.956809
- Title: Adaptive Quantum Physics-Informed Neural Networks for Differential Equations with Applications to Fluid Dynamics
- Title（参考訳）: 微分方程式に対する適応量子物理学インフォームドニューラルネットワークと流体力学への応用
- Abstract要約: 非線形偏微分方程式(PDE)の解法として物理インフォームドニューラルネットワーク(PINN)が登場している。
本稿では,適応的コロケーション点サンプリングとロスアウェアアテンション機構により,量子PINNを強化したハイブリッド量子古典フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Physics-informed neural networks (PINNs) have emerged as a versatile approach for solving nonlinear partial differential equations (PDEs), yet achieving high accuracy efficiently using these techniques remains challenging for high-dimensional or multiscale systems. Here, we present a hybrid quantum-classical framework that enhances Quantum PINNs (QPINNs) through adaptive collocation point sampling and loss-aware attention mechanisms. By dynamically prioritizing points in regions with large PDE residuals or steep solution gradients, our method mitigates the spectral bias inherent in conventional PINNs. Current Quantum Physics-Informed Neural Networks are commonly assumed to be limited by the expressive power of quantum circuits. In our work, we observed that, across diverse differential equations, optimization - not only expressivity - can be an important bottleneck. Furthermore, a trainable loss-weighting scheme balances contributions from physics residuals, boundary conditions, and data fidelity during training. Integrating these strategies with quantum computing techniques (including variational quantum circuits and quantum gradient estimation) can yield at least a 60% improvement in solution accuracy under specific regimes for benchmark fluid flows and reaction-diffusion systems. Finally, we argue that merely increasing model expressivity is insufficient for resolving complex PDEs via QPINNs, as they remain constrained by the structural optimization limitations of classical PINNs. This framework provides a scalable pathway for quantum-enhanced scientific machine learning, bridging physics-based modeling with emerging quantum computational capabilities.
- Abstract（参考訳）: 物理インフォームドニューラルネットワーク(PINN)は非線形偏微分方程式(PDE)を解くための汎用的なアプローチとして登場したが、高次元やマルチスケールシステムでは高い精度で高い精度を達成することは困難である。
本稿では、適応的なコロケーション点サンプリングとロス対応注意機構を通じて量子PINN(QPINN)を強化するハイブリッド量子古典フレームワークを提案する。
PDE残差が大きい領域や急勾配の領域の点を動的に優先順位付けすることにより、従来のPINNに固有のスペクトルバイアスを緩和する。
現在の量子物理学インフォームドニューラルネットワークは、一般に量子回路の表現力によって制限されていると仮定される。
我々の研究で、様々な微分方程式において、最適化は(表現性だけでなく)重要なボトルネックになり得ることを観察した。
さらに、トレーニング可能な損失重み付け方式は、トレーニング中の物理残差、境界条件、データ忠実度からの貢献のバランスをとる。
これらの戦略を量子コンピューティング技術(変分量子回路や量子勾配推定を含む)と統合することで、ベンチマーク流体と反応拡散系の特定の条件下での解精度を少なくとも60%向上させることができる。
最後に,モデル表現率の向上だけでは,古典的なPINNの構造的最適化の制約に制約されるため,QPINNによる複雑なPDEの解決には不十分である,と論じる。
このフレームワークは、量子強化された科学機械学習のためのスケーラブルなパスを提供し、新しい量子計算能力を備えた物理ベースのモデリングをブリッジする。
関連論文リスト
- A QPINN Framework with Quantum Trainable Embeddings for the Lid-Driven Cavity Problem [1.7887197093662073]
本稿では,量子ニューラルネットワーク(QNN)を用いた量子物理学情報ニューラルネットワーク(QPINN)フレームワークを提案する。
提案手法はQNNを用いて,空間座標を可変量子回路で処理する前に符号化するデータ適応型量子特徴写像を学習する。
数値実験により,提案したQNN-TE-QPINNは,古典的なPINNやハイブリッド量子モデルと比較して,安定したトレーニング行動と競合解の精度を示すことが示された。
論文 参考訳（メタデータ） (2026-05-12T10:03:45Z) - Learning PDEs for Portfolio Optimization with Quantum Physics-Informed Neural Networks [9.321321481203904]
偏微分方程式(PDE)は金融数学、特にポートフォリオ最適化において重要な役割を果たす。
本稿では,PDEの解法における量子回路の可能性について検討する。
論文 参考訳（メタデータ） (2026-04-03T10:24:14Z) - 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) - Explaining the advantage of quantum-enhanced physics-informed neural networks [0.05997422707234518]
偏微分方程式(PDE)は多くの自然現象エナのシミュレーションのバックボーンを形成する。
量子コンピューティングがPDEを解くための物理インフォームドニューラルネットワークの能力をどのように改善するかを示す。
論文 参考訳（メタデータ） (2026-01-21T14:50:17Z) - Quantum machine learning and quantum-inspired methods applied to computational fluid dynamics: a short review [0.0]
計算流体力学(CFD)は科学と工学の中心であるが、厳しいスケーラビリティの課題に直面している。
これらの条件下では、伝統的な数値法は違法に高価になることが多い。
量子コンピューティングと量子インスパイアされた手法は、有望な代替手段として研究されている。
論文 参考訳（メタデータ） (2025-10-15T21:15:23Z) - Looking elsewhere: improving variational Monte Carlo gradients by importance sampling [41.94295877935867]
ニューラルネットワーク量子状態(NQS)は、量子多体波動関数を表現するために強力で表現力のあるアンサッツを提供する。
量子化学で現れる急激なピーク波動関数のようないくつかのシナリオは、変動最適化の有効性を阻害する高分散勾配推定器をもたらすことが知られている。
本研究では、適応的に調整された重要度サンプリングを用いて、これらのサンプリング問題に取り組むための体系的戦略について検討する。
提案手法により,バニラVMCの計算コストを,高ピークの量子化学波動関数をターゲットとした場合,最大100倍に削減できる。
論文 参考訳（メタデータ） (2025-07-07T18:00:03Z) - 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) - RhoDARTS: Differentiable Quantum Architecture Search with Density Matrix Simulations [44.13836547616739]
変分量子アルゴリズム(VQA)は、ノイズ中間スケール量子(NISQ)コンピュータを活用するための有望なアプローチである。
与えられたVQA問題を効率的に解く最適な量子回路を選択することは、非自明な作業である。
量子アーキテクチャ探索(QAS)アルゴリズムは、与えられた問題に合わせた量子回路の自動生成を可能にする。
論文 参考訳（メタデータ） (2025-06-04T08:30:35Z) - Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。
この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。
我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
論文 参考訳（メタデータ） (2024-11-13T12:03:39Z) - Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる
本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。
その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
論文 参考訳（メタデータ） (2022-09-01T17:08:41Z) - Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the
Race to Practical Quantum Advantage [43.3054117987806]
本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。
本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。
古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
論文 参考訳（メタデータ） (2022-08-29T15:24:03Z)
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。