量子科技中心_量科网

基于物理信息的神经网络在处理具有陡峭梯度、刚性动力学、高频成分或多尺度结构的非线性偏微分方程时常常面临困难。这些局限性源于频谱偏差、病态优化和不稳定收敛，在亟需先进求解器的应用场景中限制了PINN的精度。本工作开发了一种混合量子-经典物理信息神经网络，该框架将经典神经网络骨干与参数化量子电路相结合以丰富解的表征。研究团队在三种代表性非线性PDE（Burgers方程、Allen-Cahn方程和Korteweg-de Vries方程）上，将该框架与经典PINN进行了基准对比。进一步通过系统灵敏度分析考察了量子比特数、电路深度、PQC放置位置、配置点密度和经典网络宽度的影响。在所有基准测试中，HQPINN展现出更平滑的训练动态、更小的损失震荡和更高的最终精度，其中在刚性和多尺度场景下提升最为显著。相对L2误差在Burgers方程中约降低四倍，在Allen-Cahn方程中约降低五倍，而KdV方程的改善较为温和。总体而言，这些结果表明，精心协同设计的混合量子-经典架构可以缓解经典PINN的关键局限性，并为近期的量子增强求解器提供实用的设计指导。