量子科技中心_量科网

该论文提出了一种名为“量子正交可分离物理信息神经网络”(QO-SPINNs)的新型架构，用于求解偏微分方程。该架构融合量子计算原理以突破传统方法的计算瓶颈。研究团队采用量子算法加速网络层间的矩阵乘法运算，将计算复杂度从经典算法的O(d²)显著降低至O(d log d/ϵ²)，其中d为矩阵维度，ϵ为精度水平。这一突破通过采用保持汉明重量的量子电路和单热基数据编码实现，并辅以完整的架构理论分析。 该工作通过求解正反两类偏微分方程问题验证了模型实用性。研究进一步利用量子电路固有正交性（保障谱范数为1的特性），开发出新型不确定性量化方法。该方法将谱归一化高斯过程适配至SPINNs体系，省去了计算代价高昂的谱归一化步骤。基于堆叠式量子正交SPINN架构，研究团队构建了稳健高效的不确定性量化(UQ)框架——据所知，这是首个专为可分离PINNs设计的UQ方法。通过量子电路的经典模拟实验数据，研究验证了理论主张并证实了所提方法的有效性。