Accelerating physics-informed neural networks for full waveform inversion using a hybrid quantum-classical finite-basis architecture

Sintesi Tecnica: Accelerazione delle Reti Neurali Informate dalla Fisica per l'Inversione dell'Onda Completa mediante un'Architettura Ibrida Quantistico-Classica a Base Finita

Definizione del Problema
L'Inversione dell'Onda Completa (FWI) è una tecnica critica per ricostruire le proprietà dei materiali eterogenei dai dati di forma d'onda, con applicazioni che spaziano dall'imaging della velocità del sottosuolo alla tomografia a ultrasuoni medica. Tuttavia, la FWI rimane computazionalmente esigente, richiedendo soluzioni iterative dell'equazione d'onda diretta e calcoli del gradiente tramite metodi dello stato aggiunto. Sebbene le Reti Neurali Informate dalla Fisica (PINN) offrano un'alternativa priva di mesh minimizzando i residui delle equazioni alle derivate parziali (PDE), le PINN standard faticano con la propagazione delle onde ad alta frequenza e la fisica multi-scala a causa del "bias spettrale" (spectral bias): una tendenza a apprendere prima le caratteristiche a bassa frequenza rispetto a quelle ad alta frequenza. Sebbene le PINN a Base Finita (FBPINN) abbiano affrontato questo problema tramite la decomposizione del dominio, la loro applicazione all'inversione delle forme d'onda rimane inesplorata. Inoltre, sebbene il calcolo quantistico abbia mostrato potenziale nel machine learning scientifico, la sua integrazione nel problema inverso specifico e altamente non lineare della FWI — dove i campi d'onda e i modelli di velocità sono accoppiati — non è stata indagata a fondo.

Metodologia
Gli autori propongono un framework FBPINN ibrido quantistico-classico per la FWI acustica. L'architettura sostituisce le standard teste delle reti neurali (sia la rete del campo d'onda decomposto $\phi$, sia la rete globale della velocità $\alpha$) con pipeline classiche-verso-quantistiche.

• Architettura: Le coordinate di input sono elaborate da pre-reti classiche (strati fully-connected con attivazioni tanh) per mappare in spazi latenti a bassa dimensionalità. Questi vettori latenti vengono poi codificati in circuiti quantistici parametrizzati (PQC) tramite codifica angolare ($R_y(\beta_i z_i)$). I PQC consistono in strati variazionali contenenti rotazioni a singolo qubit ($R_x, R_y, R_z$) e porte di entanglement CNOT, seguiti dalla misurazione nella base Pauli-Z. Gli output quantistici limitati sono riscalati da strati di output classici in unità fisiche.
• Ambiente di Simulazione: Per isolare i benefici architettonici dal rumore dell'hardware, i PQC sono implementati come simulatori di stato vettoriale differenziabili in JAX. Ciò consente una differenziazione automatica end-to-end esatta attraverso la PINN classica, il circuito quantistico e la perdita informata dalla fisica, evitando l'overhead computazionale delle regole di parameter-shift richiesti sull'hardware fisico.
• Addestramento: Il framework utilizza una funzione di perdita composita che incorpora i residui della PDE (equazione d'onda acustica senza sorgente), le condizioni iniziali (snapshot del campo d'onda), l'errore dei dati (osservazioni dei ricevitori) e i vincoli di confine a superficie libera. Il modello è addestrato utilizzando l'ottimizzatore Adam.

Contributi Chiave

1. Prima Applicazione di FBPINN Ibride Quantistico-Classiche alla FWI: Il lavoro estende i vantaggi della decomposizione del dominio delle FBPINN alla inversione delle forme d'onda, accoppiando una rete del campo d'onda decomposta con una rete della velocità globale tramite circuiti quantistici.
2. Pipeline Differenziabile End-to-End: Implementando i PQC come simulatori statevector nativi di JAX, gli autori consentono un calcolo efficiente del gradiente senza la regola del parameter-shift, facilitando l'ottimizzazione del problema accoppiato diretto-inverso.
3. Benchmarking Sistematico: Lo studio valuta l'architettura ibrida contro un baseline FBPINN puramente classico e 15 varianti distinte di iperparametri classici (inclusi network sovra-parametrizzati e partizioni alternative del sottodominio) per garantire che i risultati non siano artefatti di un tuning classico sub-ottimale.

Risultati
Gli autori hanno valutato il framework su due benchmark geofisici:

• Benchmark di Anomalia: In un dominio acustico 2D con un'anomalia localizzata di bassa velocità, il modello ibrido ha raggiunto un errore di velocità $L_1$ inferiore ($2,4 \times 10^{-2}$) in circa 65.000 iterazioni di addestramento. Al contrario, il baseline classico ha richiesto 500.000 iterazioni per raggiungere un errore leggermente superiore ($2,9 \times 10^{-2}$). Ciò rappresenta una riduzione di circa 8 volte nelle iterazioni di ottimizzazione per raggiungere un'accuratezza comparabile, nonostante il modello ibrido utilizzi il 33% in meno di parametri addestrabili (101.812 vs 151.836). Nessuna delle 15 varianti di iperparametri classici ha eguagliato questa prestazione nell'intervallo testato.
• Benchmark Checkerboard: Utilizzando una sorgente a frequenza più elevata (60 Hz) per risolvere un pattern di velocità a scacchiera 3 $\times$ 3, il modello ibrido ha recuperato con successo le variazioni spaziali strutturate utilizzando la stessa configurazione di rete del benchmark di anomalia (con solo un aumento della densità dei punti di collocazione). Ciò conferma la generalità della pipeline di inversione oltre le anomalie localizzate.

Significatività e Claim
L'articolo sostiene che l'architettura ibrida quantistico-classica offre un'accelerazione significativa nella velocità di convergenza e nell'efficienza dei parametri rispetto alle baseline FBPINN classiche. Gli autori attribuiscono questa prestazione a tre proprietà della pipeline classica-verso-PQC:

1. Efficienza dei Parametri: Il PQC agisce come una mappa non lineare dove i parametri sono condivisi tra il mixing delle feature e la generazione dell'output.
2. Struttura di Fourier a Frequenza Finita: La codifica angolare conferisce all'output una struttura di Fourier a frequenza finita addestrabile, potenzialmente mitigando il bias spettrale in modo più efficace rispetto ai layer di Fourier-feature fissi o alle standard reti tanh.
3. Correlazioni Strutturate: Gli strati di entanglement CNOT generano correlazioni tra le variabili latenti attraverso la dinamica del circuito piuttosto che attraverso strati impilati di affini-più-nonlinearità.

Limitazioni e Modestia
Gli autori dichiarano esplicitamente che questi risultati non costituiscono un "vantaggio computazionale quantistico" in senso stretto, poiché i circuiti sono simulati classicamente e la classe di funzioni è rappresentabile classicamente. I guadagni osservati riguardano il numero di iterazioni di ottimizzazione, non il tempo di esecuzione (wall-clock time). Lo studio è limitato a:

• Propagazione d'onda acustica bidimensionale (non 3D elastica).
• Una configurazione a sorgente singola e ricevitore lato unico (un problema severamente mal posto).
• Simulazione statevector classica (evitando il rumore NISQ e i barren plateaus).
• Un confronto con architetture classiche basate su tanh; gli autori notano che un controllo classico corrispondente con espliciti embedding di Fourier-feature o sinusoidali è un passo futuro necessario per isolare se il vantaggio derivi dalla parametrizzazione quantistica o dall'induzione di bias a frequenza finita.

Il framework è presentato come ampiamente applicabile a problemi inversi basati su onde oltre la geofisica, inclusa la tomografia a ultrasuoni medica e la valutazione non distruttiva, a condizione che le sfide del passaggio al 3D e all'hardware reale vengano affrontate.