論文の概要: Physics-Informed Quantum Machine Learning with Hard Constraint Embedding for Nonlinear Differential Equations of the First Order

• arxiv url: http://arxiv.org/abs/2608.03029v1
• Date: Tue, 04 Aug 2026 02:17:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:22.99683
• Title: Physics-Informed Quantum Machine Learning with Hard Constraint Embedding for Nonlinear Differential Equations of the First Order
• Title（参考訳）: 1次非線形微分方程式に対するハード制約埋め込みを用いた物理インフォーム量子機械学習
• Abstract要約: 本研究では,物理インフォームド量子機械学習(PIQML)フレームワークを提案する。 このフレームワーク内では、パラメータ化された量子回路が機械学習モデルとして機能し、入力変数は高次元の特徴空間に符号化される。 その結果、我々の量子モデルは解法をうまく学習し、高精度な古典的数値ベンチマークとの密接な一致を示した。
• 参考スコア（独自算出の注目度）: 14.324339765884053
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum algorithms based on linear-system approaches for solving differential equations demand qubit and precision resources beyond near-term capabilities. To address these challenges, this work proposes a physics-informed quantum machine learning (PIQML) framework with hard constraint embedding, specifically designed for NISQ era. Within this framework, parameterized quantum circuits serve as machine learning models, where the input variable is encoded into a high-dimensional feature space via a Fourier feature map. Subsequently, to eliminate approximation errors in critical physical conditions, the solution is constructed through a rigorously designed function mapper that analytically enforces initial conditions as hard constraints. Crucially, we compute derivatives with respect to the input variable using the parameter-shift rule---a quantum native gradient evaluation technique that avoids classical discretization. Unlike generic loss functions that target abstract data patterns, our loss function focuses on the differential equation residual and reference data. This design ensures that the trained model not only approximates the data but also intrinsically satisfies the physical constraint expressed by the DE itself. Our method is validated on several differential equations, including highly oscillatory ones, demonstrating its capability to tackle challenging nonlinear dynamics. Results demonstrate that our quantum model successfully learns the solution, showing close agreement with a high-precision classical numerical benchmark.
• Abstract（参考訳）: 微分方程式を解く線形系アプローチに基づく量子アルゴリズムは、短期能力を超えた量子ビットと精度資源を必要とする。 これらの課題に対処するために、この研究は、特にNISQ時代に設計されたハード制約埋め込みを備えた物理インフォームド量子機械学習(PIQML)フレームワークを提案する。 このフレームワーク内では、パラメータ化された量子回路が機械学習モデルとして機能し、入力変数はフーリエ特徴写像を介して高次元の特徴空間に符号化される。 その後、臨界物理条件における近似誤差を排除するため、厳密に設計された関数マッパーを用いて、初期条件をハード制約として解析的に強制する。 重要なことは、古典的な離散化を避ける量子ネイティブ勾配評価手法であるパラメータシフト規則を用いて、入力変数に関する微分を計算することである。 抽象データパターンを対象とする一般的な損失関数とは異なり、損失関数は微分方程式の残差と参照データに焦点を当てる。 この設計により、トレーニングされたモデルはデータを近似するだけでなく、DEC自体が表現する物理的制約を本質的に満足する。 本手法は、高振動の方程式を含むいくつかの微分方程式で検証され、非線形力学に挑戦する能力を示す。 その結果、我々の量子モデルは解法をうまく学習し、高精度な古典的数値ベンチマークとの密接な一致を示した。

関連論文リスト

• 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)
• 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)
• Quantum neural ordinary and partial differential equations [38.77776626953413]
  古典的ニューラルODE/PDEの連続時間形式を量子機械学習と量子制御にもたらす統一的なフレームワークを提案する。 我々は、QNODEsを有限次元量子システムの進化と定義し、QNPDEsを無限次元(連続変数)のものと定義する。
  論文  参考訳（メタデータ） (2025-08-24T18:43:44Z)
• Solving wave equation problems on D-Wave quantum annealers [44.99833362998488]
  擬似スペクトルスキーム内のD-Wave系によって提供される量子アニールを用いて,数次元ヘルムホルツ方程式を解く。 我々は,代数的引数と断熱条件に基づいて,異なる符号化手法の性能を評価する。
  論文  参考訳（メタデータ） (2025-07-18T08:06:43Z)
• An efficient wavelet-based physics-informed neural networks for singularly perturbed problems [0.0]
  物理インフォームドニューラルネットワーク(英: Physics-informed Neural Network, PINN)は、物理学を微分方程式の形で利用し、複雑な問題に対処する深層学習モデルである。 本稿では, ウェーブレットに基づくPINNモデルを用いて, 急激な振動, 急勾配, 特異な挙動を持つ微分方程式の解に挑戦する。 提案手法は、従来のPINN、最近開発されたウェーブレットベースのPINN、その他の最先端の手法で大幅に改善される。
  論文  参考訳（メタデータ） (2024-09-18T10:01:37Z)
• Preconditioned FEM-based Neural Networks for Solving Incompressible Fluid Flows and Related Inverse Problems [41.94295877935867]
  偏微分方程式で記述された技術システムの数値シミュレーションと最適化は高価である。 この文脈で比較的新しいアプローチは、ニューラルネットワークの優れた近似特性と古典的有限要素法を組み合わせることである。 本稿では, この手法を, サドルポイント問題と非線形流体力学問題に拡張する。
  論文  参考訳（メタデータ） (2024-09-06T07:17:01Z)
• Self-Adaptive Physics-Informed Quantum Machine Learning for Solving Differential Equations [0.0]
  チェビシェフは、古典的および量子的ニューラルネットワークが微分方程式を解くための効率的なツールとして有望であることを示した。 我々は、このフレームワークを様々な問題に対して量子機械学習環境に適応し、一般化する。 その結果,量子デバイス上での微分方程式の短期的評価に対する有望なアプローチが示唆された。
  論文  参考訳（メタデータ） (2023-12-14T18:46:35Z)
• Physics-Informed Quantum Machine Learning: Solving nonlinear differential equations in latent spaces without costly grid evaluations [21.24186888129542]
  非線形および多次元微分方程式を解く物理インフォームド量子アルゴリズムを提案する。 DE項の表現である状態間の重なりを測定することにより、格子点上の独立な逐次関数評価を必要としない損失を構築する。 損失が変動的に訓練されると、我々のアプローチは微分可能な量子回路プロトコルと関連付けられる。
  論文  参考訳（メタデータ） (2023-08-03T15:38:31Z)
• Physics-Informed Gaussian Process Regression Generalizes Linear PDE Solvers [32.57938108395521]
  線形偏微分方程式と呼ばれる力学モデルのクラスは、熱伝達、電磁気、波動伝播などの物理過程を記述するために用いられる。 離散化に基づく特殊数値法はPDEの解法として用いられる。 パラメータや測定の不確実性を無視することで、古典的なPDE解法は固有の近似誤差の一貫した推定を導出できない可能性がある。
  論文  参考訳（メタデータ） (2022-12-23T17:02:59Z)
• Symbolic Recovery of Differential Equations: The Identifiability Problem [52.158782751264205]
  微分方程式の記号的回復は、支配方程式の導出を自動化する野心的な試みである。 関数が対応する微分方程式を一意に決定するために必要な条件と十分な条件の両方を提供する。 この結果を用いて、関数が微分方程式を一意に解くかどうかを判定する数値アルゴリズムを考案する。
  論文  参考訳（メタデータ） (2022-10-15T17:32:49Z)
• Quantum Kernel Methods for Solving Differential Equations [21.24186888129542]
  量子カーネル法を用いて微分方程式(DE)の解法を提案する。 量子モデルをカーネル関数の重み付け和として構成し、特徴写像を用いて変数を符号化し、モデル微分を表現する。
  論文  参考訳（メタデータ） (2022-03-16T18:56:35Z)
• Neural Galerkin Schemes with Active Learning for High-Dimensional Evolution Equations [44.89798007370551]
  本研究では,高次元偏微分方程式を数値的に解くために,能動的学習を用いた学習データを生成するディープラーニングに基づくニューラル・ガレルキンスキームを提案する。 ニューラル・ガレルキンスキームはディラック・フランケル変分法に基づいて、残余を時間とともに最小化することで、ネットワークを訓練する。 提案したニューラル・ガレルキン・スキームの学習データ収集は,高次元におけるネットワークの表現力を数値的に実現するための鍵となる。
  論文  参考訳（メタデータ） (2022-03-02T19:09:52Z)
• Message Passing Neural PDE Solvers [60.77761603258397]
  我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。 本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。 本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
  論文  参考訳（メタデータ） (2022-02-07T17:47:46Z)

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。