量子科技中心_量科网

研究人员推出PINNACLE——一个基于物理信息的神经网络（PINN）开源计算框架，该框架在现代训练策略、多GPU加速与混合量子-经典架构的基础上，构建了统一的模块化工作流程。该框架可系统评估PINN在一维双曲守恒律、不可压缩流动及电磁波传播等基准问题中的性能表现，支持包括傅里叶特征嵌入、随机权重分解、严格边界条件强制、自适应损失平衡、渐进式课程训练及二阶优化策略在内的多种架构与训练增强方法，并具备扩展兼容其他技术的灵活性。研究团队通过全面基准测试量化了这些方法对收敛性、精度及计算成本的影响，同时从运行时与内存效率角度分析了分布式数据并行扩展表现。此外，该框架还拓展至混合量子-经典PINN领域，并推导出参数偏移微分下电路评估复杂度的形式化估计。研究结果揭示了PINN对架构选择与训练策略的高度敏感性，证实其相较于传统求解器存在显著计算成本，同时明确了混合量子模型在参数效率方面具有优势的应用场景。PINNACLE为定量评估物理信息学习方法的性能权衡提供了基准基础，可为未来技术发展提供指导。