量子科技中心_量科网

精确求解高维偏微分方程（PDE）始终是计算数学领域的核心挑战。传统数值方法虽然在低维情况或粗网格上有效，却往往难以满足实际应用所需的精度要求。基于机器学习的新方法虽具灵活性，但在准确性和可靠性方面仍存在不足，尤其在工业应用场景中尤为明显。本工作探索了一种基于量子化张量链（QTT）的量子启发式方法，能在多种复杂场景下实现对偏微分方程的高效精确求解。通过若干典型算例，该研究团队证明QTT方法对线性和非线性偏微分方程均可实现内存消耗与计算成本的对数级增长。此外，研究人员还提出了一种量子启发框架下的数据驱动学习新技术，将神经网络的适应能力与提升后的精度、缩短的训练时间有机结合。