量子科技中心_量科网

该研究团队提出了一种量子机器学习框架，用于近似求解可重构为倒向随机微分方程（BSDEs）的高维抛物型偏微分方程（PDEs）。与主流的量子-经典混合网络方法不同，该工作采用纯变分量子电路（VQC）作为核心求解器，无需可训练的经典神经网络。该量子BSDE求解器通过时间离散化和蒙特卡洛模拟实现路径近似，其框架被构建为基于模型的强化学习。研究人员以布莱克-斯科尔斯方程和非线性汉密尔顿-雅可比-贝尔曼（HJB）方程作为典型代表，对基于VQC和经典深度神经网络（DNN）的求解器进行了基准测试。结果表明，在大多数情况下，尤其是在高度非线性区域和虚值期权场景中，VQC展现出更低的方差和更高的精度，其鲁棒性明显优于DNN。这些通过量子电路仿真获得的结果，凸显了VQC作为高维随机控制问题求解器所具备的可扩展性和稳定性潜质。