量子科技中心_量科网

全波形反演（FWI）从接收数据重建非均匀材料属性，但计算成本高昂。物理信息神经网络（PINNs）及其域分解变体（FBPINNs）提供了一种无网格替代方案，但在表示复杂速度场时面临收敛挑战。该团队提出了一种用于声学FWI的混合量子-经典FBPINN，融合了量子计算与经典机器学习，其中分解的波场网络和全局速度网络被实现为终止于参数化量子电路（PQCs）的经典到量子流水线。PQCs以可微分的JAX态矢量模拟器实现，能够通过经典PINN、量子电路和物理信息损失进行端到端自动微分。在一个地球物理异常基准测试中，该量子混合方法在训练迭代次数约减少8倍的情况下，达到了比主要经典FBPINN基线更低的L1速度误差，尽管其可训练参数减少了约33%，并且其性能优于所有15个经典超参数变体。第二个基准测试（棋盘格）证明了反演流水线的通用性，确认了量子混合架构能够恢复超出局部异常基准的结构化空间变化。该框架广泛适用于地球物理学以外的基于波的逆问题，包括医学超声断层扫描和无损检测。