量子科技中心_量科网

在科学计算领域，将偏微分方程（PDE）的数值离散化表述为卷积神经网络（CNN）中未经训练的卷积层——这种方法被部分研究者称为“神经物理方法”——已展现出在GPU上执行基于物理求解器的高效性。然而，经典网格方法在求解涉及数十亿自由度的问题时仍面临计算瓶颈。为应对这一挑战，本文提出名为“量子神经物理”的创新框架，并开发了混合量子-经典CNN多重网格求解器（HQC-CNNMG）。该方法将解析确定的离散微分算子模板映射为无参数或未经训练的量子卷积核。 通过利用振幅编码、酉算子线性组合技术和量子傅里叶变换，所生成的量子卷积算子可采用电路深度为O(log K)的量子电路实现（其中K表示编码输入块的大小）。这些量子算子通过U-Net架构嵌入经典W循环多重网格，该设计既能在层级求解器中无缝集成量子算子，又能保持经典多重网格方法的鲁棒性和收敛特性。该研究团队在量子模拟器上验证了所提出的量子神经物理求解器对泊松方程、扩散方程、对流-扩散方程和不可压缩Navier-Stokes方程的适用性，HQC-CNNMG的求解结果与传统方法高度吻合。 此项工作建立了从离散物理方程到对数级量子电路的映射关系，为未来容错量子计算机上的PDE求解器实现指数级内存压缩和计算加速开辟了全新的探索路径。