量子科技中心_量科网

用于偏微分方程（PDE）的量子算法在当前硬件条件下面临严峻的实际限制：有限的量子比特数将空间分辨率限制在粗网格上，而电路深度限制又阻碍了长时间的精确积分。这些硬件瓶颈使得量子偏微分方程求解器尽管具有理论上的计算加速潜力，却只能停留在低精度领域。该研究团队提出了一种多精度学习框架，利用稀疏的经典训练数据将粗糙的量子解校正至高精度水平，为科学计算实现实用化量子应用开辟了路径。 该方法首先基于大量量子求解器输出训练低精度代理模型，随后通过平衡线性和非线性变换的多精度神经网络架构学习校正映射。通过在粘性伯格斯方程和不可压缩纳维-斯托克斯流动等基准非线性偏微分方程上进行量子格子玻尔兹曼方法验证，该框架成功校正了粗糙的量子预测结果，并实现了远超经典训练窗口的时间外推。这一策略展示了如何既能减少昂贵的高精度模拟需求，又能产出与经典精度相媲美的预测结果。 通过弥合硬件受限的量子模拟与应用需求之间的鸿沟，该工作为从现有量子设备中提取实际科学应用的计算价值建立了方法论路径，同时推进了计算物理领域近期量子计算的算法开发与实际部署。