面向气动弹性应用的混合量子张量网络
量子物理
2025-08-08 v1 机器学习
摘要
我们探讨了混合量子张量网络用于气动弹性问题的应用，利用量子机器学习（QML）的优势。通过将张量网络与可变分量子电路结合，我们展示了 QML 解决复杂时间序列分类和回归任务的潜力。我们的结果表明，混合量子张量网络在二元分类中能够实现高准确率。此外，我们观察到在离散变量回归方面也表现出色。尽管超参数选择仍是一个挑战，需要精细调优以发挥这些模型的全部潜力，但本工作在开发用于解决气动弹性中复杂问题的 QML 方面具有重要贡献。我们提出了一种端到端可训练的混合算法。我们首先将时间序列编码到张量网络中，然后利用可训练张量网络进行降维，将 resulting tensor 转换为量子电路中的编码步骤。随后，应用受张量网络启发的可训练可变分量子电路，以解决气动弹性领域中的分类或多变量或单变量回归任务。
引用
@article{arxiv.2508.05169,
title = {Hybrid quantum tensor networks for aeroelastic applications},
author = {M. Lautaro Hickmann and Pedro Alves and David Quero and Friedhelm Schwenker and Hans-Martin Rieser},
journal= {arXiv preprint arXiv:2508.05169},
year = {2025}
}
备注
20 pages, 8 Figures, submitted to Quantum Machine Intelligence