量子科技中心_量科网

该团队提出了一种混合量子经典物理信息神经网络（HQC-PINN），该网络将参数化变分量子电路集成到PINN框架中，用于水文偏微分方程约束学习。该架构通过可训练的角度编码将多源遥感特征编码为量子态，通过具有纠缠层的硬件高效变分拟设进行处理，并使用圣维南浅水方程和曼宁水流方程作为可微分物理损失项来约束输出。量子测量的固有随机性提供了不确定性量化的自然机制，无需显式贝叶斯推理机器。该团队进一步引入了一种量子迁移学习协议，该协议在针对洪水特定事件进行微调之前，先对多灾害数据进行预训练。基于斯里兰卡卡鲁河流域多模态卫星和气象数据的数值模拟表明，与等效经典PINN相比，HQC-PINN的训练收敛速度提高约3倍，可训练参数减少约44%，同时保持相当的分类精度。理论分析表明，水文物理约束缩小了有效优化空间，为变分量子电路中的贫瘠高原现象提供了自然缓解途径。这项工作首次将量子增强的物理信息学习应用于水文预测，并展示了在环境科学领域实现量子优势的可行路径。