On Embedding Design in Quantum Physics-Informed Neural Networks
Diese Arbeit führt ein vereinheitlichtes Embedding-Framework für Quantum Physics-Informed Neural Networks (QPINNs) ein und schlägt zwei neuartige Methoden, LQNN-TE-QPINN und AdaFreq-QPINN, vor, die zeigen, dass ein strategisches Embedding-Design die Approximationsgenauigkeit und Optimierungseffizienz beim Lösen partieller Differentialgleichungen im Vergleich zu bestehenden direkten und festen Kodierungsansätzen signifikant verbessert.