物理信息神经网络收敛性的量子增强
量子物理
2026-04-17 v2
摘要
偏微分方程（PDEs）构成了许多自然现象模拟的基石，例如气候建模、材料科学乃至金融市场。应用物理信息神经网络来加速求解 PDEs 具有广阔前景，但目前尚无法与数值求解器相竞争。在此，我们展示了量子计算如何提升物理信息神经网络求解偏微分方程的能力。为此，我们开发了由量子电路与经典层组成的混合网络，并在各种非线性 PDEs 和边界条件下，将其与纯经典网络进行了系统性对比测试。我们证明，使用量子网络的优势在于其能够在显著更少的训练轮次内实现对解的精确逼近，尤其是在处理更复杂的问题时。这些发现为混合量子神经网络的针对性发展奠定了基础，旨在显著加速数值建模。
引用
@article{arxiv.2601.15046,
title = {Quantum-Enhanced Convergence of Physics-Informed Neural Networks},
author = {Nils Klement and Veronika Eyring and Mierk Schwabe},
journal= {arXiv preprint arXiv:2601.15046},
year = {2026}
}