用于航空航天腐蚀预测的量子储备计算:一种增强材料退化预测的混合方法
量子物理
2025-05-30 v1
摘要
材料退化预测是许多工业中亟待解决的重要问题。湿度与温度等环境条件是退化过程的重要驱动因素,其中腐蚀是最为突出的因素之一。量子机器学习是一个极具前景的研究领域,但存在众所周知的缺陷,如贫瘠高原与测量开销。为解决这一问题,近期研究探索了量子储备计算以处理时间序列预测任务。尽管这是一个有前景的想法,但开发在当前设备有限深度限制下仍具有足够表达能力的电路极具挑战性。在经典储备计算中,洋葱回声状态网络模型(ESN)[https://doi.org/10.1007/978-3-031-72359-9_9]被引入以提升嵌入表示结构的可解释性。该洋葱 ESN 模型利用多个较小储备库的级联,通过覆盖特征值谱的不同区域来描述不同的时间尺度。在此,我们将相同思想应用于量子储备计算领域,通过同时演化多个较小的量子储备库,在保持电路深度较小的同时更好地捕捉所有相关时间尺度。我们通过修改旋转角度来实现这一点,并表明这会改变量子演化的特征值;同时我们也注意到,修改中途测量次数同样能达到改变长期或短期记忆的目标。该洋葱 QRC 在预测不同环境条件下铝合金退化方面优于简单模型与单一经典储备库。通过将洋葱 QRC 与额外的经典储备库层相结合,预测精度得到进一步提升。
引用
@article{arxiv.2505.22837,
title = {Quantum Reservoir Computing for Corrosion Prediction in Aerospace: A Hybrid Approach for Enhanced Material Degradation Forecasting},
author = {Akshat Tandon and James Brown and Kenny Heitritter and Tarini Hardikar and Kanav Setia and Rene Boettcher and Klaus Schertler and Jasper Simon Krauser},
journal= {arXiv preprint arXiv:2505.22837},
year = {2025}
}
备注
6 pages, 5 figures