量子科技中心_量科网

基于物理信息的神经网络（PINN）及其量子-经典混合扩展框架通过将物理定律直接嵌入学习过程，为求解偏微分方程（PDE）提供了创新方案。该研究针对非线性反应-扩散（RD）系统，深入研究了可训练嵌入的量子物理信息神经网络（TE-QPINN）的嵌入策略。研究团队提出了一种扩展型x-TE-QPINN架构，同时支持经典嵌入与全量子嵌入，实现了前馈神经网络特征映射与参数化量子电路嵌入的对照研究。其中FNN-TE-QPINN采用经典前馈神经网络嵌入，而QNN-TE-QPINN则采用纯量子神经网络嵌入。该框架利用硬件高效的变分量子电路和物种特异性读出算子来近似耦合多场动力学，同时通过物理信息损失函数强制满足控制方程、边界条件和初始条件。通过固定变分拟设、损失函数和优化流程而隔离嵌入机制，研究人员系统分析了嵌入设计对梯度结构、参数缩放和量子资源需求的影响。在一维和二维RD方程上的数值实验表明：量子嵌入可在不损失求解精度的前提下替代经典嵌入，且在特定情况下相比固定嵌入的经典PINN和混合量子模型展现出更优的优化特性。这些成果为混合量子PDE求解器提供了架构设计洞见，并为资源高效的量子物理信息学习方法指明了发展方向。