量子科技中心_量科网

物理信息神经网络（PINNs）通过将支配性物理定律嵌入深度神经网络相关的损失函数，已成为求解偏微分方程的一种有前景的方法。本研究提出了一种量子物理信息神经网络（QPINN）框架用于求解二维时变麦克斯韦方程组。该工作将参数化量子电路与经典神经网络架构相结合，并在训练过程中强制实施包括全局能量守恒原理在内的物理定律。研究人员开发了一个基于PyTorch GPU加速的量子模拟库，用于高效计算电路输出和导数，从而实现QPINN的端到端训练。该方法在两类二维电磁波传播问题上进行了评估：自由空间（真空）传播与电介质传播场景。通过系统的消融实验，研究人员对比了多种量子电路结构、输入尺度及附加损失项的影响。此外，该框架整合了提升PINN收敛性的最新技术，包括随机傅里叶特征嵌入和自适应时间加权。结果表明，QPINN在可训练参数量显著减少的情况下，精度达到甚至超越经典PINN基线。在无损耗自由空间案例中，研究还发现添加能量守恒损失项能稳定训练过程并提升解的物理保真度，该措施有效缓解了量子实验中出现的与“贫瘠高原（BP）”相关的新型现象——“黑洞（BH）”损失景观。通过优化量子电路结构和嵌入能量守恒约束，该团队的QPINN在二维麦克斯韦基准问题上实现了相比经典PINN最高19%的精度提升。