Fugu-MT 論文翻訳(概要): Lazy training of quantum physics informed neural networks

論文の概要: Lazy training of quantum physics informed neural networks

arxiv url: http://arxiv.org/abs/2609.19239v1
Date: Wed, 16 Sep 2026 17:12:54 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-20 08:55:53.967704
Title: Lazy training of quantum physics informed neural networks
Title（参考訳）: 量子物理学情報ニューラルネットワークの遅延学習
Abstract要約: 量子物理学インフォームドニューラルネットワーク(QPINN)の勾配流学習ダイナミクスについて検討する。我々の貢献はQPINNに対する漸近遅延学習理論とその変分定式化である。
参考スコア（独自算出の注目度）: 2.931240348160871
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We study the gradient-flow training dynamics of quantum physics-informed neural networks (QPINNs) for the solution of second-order elliptic partial differential equations with Dirichlet boundary conditions. We consider parameterized quantum circuits as function approximators and analyze their overparameterized regime through the lens of the neural tangent kernel (NTK). Our contribution is a nonasymptotic lazy-training theory for QPINNs and their variational formulation: we prove that, for sufficiently large circuit width, the nonlinear gradient flow is quantitatively approximated by a linearized NTK model, with explicit bounds depending on the number of qubits, circuit depth, circuit light-cone geometry, and the dimension of the domain of the solution to the PDE.
Abstract（参考訳）: ディリクレ境界条件を持つ二階楕円偏微分方程式の解に対する量子物理学インフォームドニューラルネットワーク(QPINN)の勾配流トレーニングダイナミクスについて検討した。パラメータ化量子回路を関数近似器とみなし、ニューラルタンジェントカーネル(NTK)のレンズを通して過パラメータ化状態を分析する。我々の寄与はQPINNの漸近遅延学習理論とその変分定式化であり、十分に大きな回路幅において、非線形勾配流は線形化NTKモデルにより定量的に近似され、量子ビット数、回路深さ、回路光錐形状、およびPDEへの解領域の次元に依存する。

関連論文リスト

Adaptive Quantum Physics-Informed Neural Networks for Differential Equations with Applications to Fluid Dynamics [0.0]
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。
論文参考訳（メタデータ） (2026-08-01T20:11:21Z)
Quantum Physics-Informed Neural Networks for Solving Integro and Fractional PDEs [5.658353995249502]
この研究は、量子物理学インフォームドニューラルネットワーク(QPINN)フレームワークを導入し、量子ニューラルネットワークと一般的な非線形方程式の制御方程式を組み合わせる。一連の数値実験により,提案するQPINNフレームワークが非線形IDEおよびFIPDEの挙動を正確に把握できることが示されている。
論文参考訳（メタデータ） (2026-06-25T10:51:47Z)
Generalization Bounds for Physics-Informed Neural Networks for the Incompressible Navier-Stokes Equations [42.57657519369106]
この研究は、ナヴィエ・ストークス方程式の解を近似する方法の一般化誤差に基づいて、厳密な上界を確立する。我々は、教師なし物理情報ニューラルネットワークフレームワークを用いて、深度2のニューラルネットワークを訓練した。提案する活性化関数と対応する境界を,Taylor-Green vortexベンチマークを解くPINNセットアップ上で実証検証する。
論文参考訳（メタデータ） (2026-03-24T11:08:34Z)
Variational Quantum Subspace Construction via Symmetry-Preserving Cost Functions [36.94429692322632]
低次エネルギー状態の抽出のための削減部分空間を反復的に構築するために,対称性保存コスト関数に基づく変動戦略を提案する。概念実証として, 基底状態エネルギーと電荷ギャップの両方を対象とし, 提案アルゴリズムをH4鎖とリング上で検証した。
論文参考訳（メタデータ） (2024-11-25T20:33:47Z)
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)
The Challenges of the Nonlinear Regime for Physics-Informed Neural Networks [0.0]
非線形シナリオではNTKの視点が不足していることを示す。線形および非線形の両方の場合において,そのような手法の収束保証について検討する。
論文参考訳（メタデータ） (2024-02-06T10:24:36Z)
Absence of barren plateaus and scaling of gradients in the energy optimization of isometric tensor network states [0.0]
広いハミルトンと有限範囲の相互作用を持つ量子多体系のエネルギー問題を考える。行列積状態,木テンソルネットワーク,およびマルチスケールエンタングル化再正規化アンサッツに対する変分最適化問題は,バレンプラトーを含まないことを証明した。
論文参考訳（メタデータ） (2023-03-31T22:49:49Z)
Partial Differential Equations is All You Need for Generating Neural Architectures -- A Theory for Physical Artificial Intelligence Systems [40.20472268839781]
我々は、統計物理学における反応拡散方程式、量子力学におけるシュル・オーディンガー方程式、同軸光学におけるヘルムホルツ方程式を一般化する。数値解を求めるためにNPDEを離散化するために有限差分法を用いる。多層パーセプトロン、畳み込みニューラルネットワーク、リカレントニューラルネットワークなど、ディープニューラルネットワークアーキテクチャの基本構築ブロックが生成される。
論文参考訳（メタデータ） (2021-03-10T00:05:46Z)
Parametric Complexity Bounds for Approximating PDEs with Neural Networks [41.46028070204925]
pdeの係数が小さなニューラルネットワークで表現できる場合、入力された$d$でスケール的に解を近似するために必要なパラメータは、ニューラルネットワークのパラメータ数に比例することを証明する。我々の証明は、PDEの解に収束する適切な空間における勾配降下をシミュレートするニューラルネットワークの構築に基づいている。
論文参考訳（メタデータ） (2021-03-03T02:42:57Z)

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。