基于量子电路混合器的混合傅里叶神经算子用于激光加工代理建模

数据驱动的代理模型可以替代昂贵多物理场求解器用于参数化偏微分方程，但为三维问题构建紧凑、准确的神经算子仍具挑战性：在傅里叶神经算子中，密集的逐模谱信道混合随保留傅里叶模式数量线性增长，膨胀参数数量并限制实时部署能力。我们引入 HQ-LP-FNO，一种混合量子-经典傅里叶神经算子，将这些密集谱块中可配置比例替换为紧凑的、模式共享的变分量子电路混合器，其参数数量独立于傅里叶模式预算。共同设计了一个参数匹配的经典瓶颈控制以提供严格的评估框架。在三维激光加工代理建模评估中——耦合热传递、熔池对流、自由表面变形和相变——HQ-LP-FNO 相对于经典基线减少了 15.6% 的可训练参数，同时将相分数平均绝对误差降低 26%，相对温度平均绝对误差从 2.89% 降至 2.56%。对量子信道预算的扫描表明，中等 VQC 分配在所有测试配置中（包括完全经典基线）产生了最佳温度指标，指向最优的经典-量子划分。消融实验确认，通过其紧凑电路结构自然实现的模式共享混合是这些改进的主导贡献者。噪声模拟研究在 ibm-torino 后端校准噪声下确认了量子混合器在测试拍摄范围内的数值稳定性。这些结果表明，基于 VQC 的参数高效谱混合可以改进复杂多物理场问题的神经算子代理模型，并为实践中混合量子算子学习建立了受控评估协议。