量子科技中心_量科网

由于长期预测的不稳定性及难以精准捕捉不变统计特性，混沌系统的行为学习仍面临挑战。虽然量子机器学习为高效提取高维数据物理特征提供了新途径，但当前硬件噪声和有限的可扩展性阻碍了其实用化。该研究团队提出了一种融合量子信息的偏微分方程学习框架，重点应用于混沌系统研究。该工作采用量子线路玻恩机学习混沌动力系统的不变特性，通过可训练电路参数集紧凑表征复杂物理统计量，实现了显著的内存效率提升——相比原始模拟数据减少超过两个数量级的存储需求。随后将获取的统计量子先验信息融入基于Koopman算子的自回归模型，在保持长期统计保真度的同时有效解决了梯度消失或爆炸等问题。该框架在三种典型系统（仓本-锡瓦申斯基方程、二维柯尔莫哥洛夫流及湍流槽道流）中均展现出优于无量子先验经典模型的性能。这种混合架构为利用近期量子硬件学习动力系统提供了实用化路径。