面向科学量子机器学习的分区混合量子傅里叶神经算子
机器学习
2025-07-14 v1 量子物理
摘要
我们提出了分区混合量子傅里叶神经算子 (Partitioned Hybrid Quantum Fourier Neural Operator, PHQFNO)，这是量子傅里叶神经算子 (QFNO) 的一种泛化，用于科学机器学习。PHQFNO 将傅里叶算子计算在经典资源与量子资源之间进行分区，实现可调的量子-经典混合化，并支持在量子设备与经典设备之间分布式执行。该方法将 QFNO 扩展至更高维度，并引入消息传递框架以跨不同分区分配数据。输入数据通过一元编码编码为量子态，量子电路参数采用变分方案进行优化。我们使用 PennyLane 实现 PHQFNO，并集成 PyTorch。在布尔方程、不可压缩与可压缩 Navier-Stokes 方程上进行评估。结果表明，PHQFNO 恢复了经典 FNO 的精度。在不可压缩 Navier-Stokes 上，PHQFNO 的精度优于经典方法。最后，我们在输入噪声下的灵敏度分析表明，PHQFNO 在稳定性上优于经典基线方法。
引用
@article{arxiv.2507.08746,
title = {Partitioned Hybrid Quantum Fourier Neural Operators for Scientific Quantum Machine Learning},
author = {Paolo Marcandelli and Yuanchun He and Stefano Mariani and Martina Siena and Stefano Markidis},
journal= {arXiv preprint arXiv:2507.08746},
year = {2025}
}