量子科技中心_量科网

稳态不可压缩Navier-Stokes方程因其非线性对流项和压力-速度耦合问题，给计算带来了巨大挑战。物理信息神经网络（PINNs）提供了一种无网格框架来近似此类系统，但经典PINNs在非线性流态下可能面临优化困难。本研究针对顶盖驱动方腔问题，提出了一种基于量子物理信息神经网络（QPINN）框架，并采用基于量子神经网络（QNN）的可训练嵌入方法。该方法利用QNN学习数据自适应的量子特征映射，在变分量子电路处理空间坐标之前对其进行编码，并采用物理信息损失函数进行训练。数值实验表明，与经典PINNs以及使用经典嵌入的混合量子模型相比，所提出的QNN-TE-QPINN在训练稳定性、求解精度方面表现更优，同时所需可训练参数显著减少。这些结果并非声称计算加速，而是凸显了可训练量子嵌入在参数高效物理信息学习中的潜力。研究结果表明，嵌入设计在量子辅助偏微分方程求解器中扮演着重要角色，并支持进一步探索基于QNN的可训练嵌入在非线性流体动力学基准问题中的应用。