Variational Quantum Physics-Informed Neural Networks for Hydrological PDE-Constrained Learning with Inherent Uncertainty Quantification
Diese Arbeit stellt ein hybrides quanten-klassisches Physik-informiertes neuronales Netzwerk (HQC-PINN) vor, das durch die Integration parametrisierter Quantenschaltungen hydrologische PDE-Probleme effizienter löst, eine inhärente Unsicherheitsquantifizierung ermöglicht und durch physikalische Randbedingungen das Problem der „barren plateaus" in Quantenschaltungen adressiert.