Explainable quantum-compressed machine learning for complex fluid flows
Dieses Paper führt Quantum-Compressed Machine Learning (QCML) ein, eine Methode, die strukturierte Quantenschaltkreise nutzt, um komplexe Strömungssimulations-Surrogate auf ein hochgradig interpretierbares, stabiles und physikalisch bedeutsames Modell mit nur acht Parametern zu reduzieren, wobei eine Vorhersagegenauigkeit erreicht wird, die mit klassischem Deep Learning vergleichbar ist, während gleichzeitig die Instabilität und die Black-Box-Natur traditioneller Ansätze überwunden werden.