量子科技中心_量科网

数据驱动的替代模型可以取代昂贵的参数偏微分方程多物理场求解器，但为三维问题构建紧凑且精确的神经算子仍具挑战性：在傅里叶神经算子中，密集模态谱通道混合所需的参数量与保留的傅里叶模态数量呈线性增长，导致参数量膨胀并限制实时部署能力。该研究团队提出HQ-LP-FNO——一种混合量子经典FNO架构，通过采用参数数量与傅里叶模态预算无关的紧凑型模态共享变分量子电路混合器，替代了部分可配置比例的密集谱块。同时协同设计了参数匹配的经典瓶颈控制模块以提供严格评估框架。 在高能激光加工三维建模任务中（涉及热传导、熔池对流、自由表面形变与相变等多物理场耦合），相较于经典基线模型，HQ-LP-FNO将可训练参数量降低15.6%，同时将相分数平均绝对误差降低26%，相对温度MAE从2.89%优化至2.56%。量子通道预算的扫参实验表明，中等规模的变分量子电路分配能在所有测试配置（包括全经典基线）中取得最佳温度指标，指向最优的经典-量子分区方案。消融实验证实，由变分量子电路通过其紧凑结构天然实现的模态共享混合机制是性能提升的主要贡献者。基于ibm-torino量子处理器后端校准噪声的模拟器研究验证了量子混合器在测试范围内的数值稳定性。 这些结果表明：基于变分量子电路的参数高效谱混合技术能提升复杂多物理场问题神经算子替代模型的性能，并为实践中混合量子算子学习建立了可控评估协议。