Quantum-Assisted Trainable-Embedding Physics-Informed Neural Networks for Parabolic PDEs

1. Problema e Contexto

O artigo aborda o desafio de resolver Equações Diferenciais Parciais (EDPs) parabólicas, especificamente as equações de calor unidimensionais e bidimensionais, utilizando arquiteturas de aprendizado de máquina.

• Contexto: As Redes Neurais Informadas pela Física (PINNs) são ferramentas estabelecidas para aproximar soluções de EDPs incorporando as leis físicas diretamente na função de perda.
• Motivação: A integração de computação quântica no aprendizado de máquina científico oferece novas direções. O objetivo é explorar arquiteturas híbridas quântico-clássicas que sejam compatíveis com hardware quântico de escala intermediária ruidosa (NISQ), visando aumentar a capacidade de representação sem depender de computadores quânticos totalmente corrigidos de erros.
• Foco Específico: Investigar estratégias de incorporação treinável (trainable embedding) dentro de PINNs assistidas por quântica. A questão central é como mapear as coordenadas de entrada (espaço e tempo) para estados quânticos antes do processamento variacional.

2. Metodologia

Os autores propõem um framework de aprendizado onde a solução aproximada $\tilde{u}(x,t)$ é definida pelo valor esperado de um observável em um estado quântico preparado por um circuito parametrizado.

Arquitetura Geral

A solução é gerada por:
$$\tilde{u}(x,t) = \langle \psi(x,t) | O | \psi(x,t) \rangle$$
Onde o estado $|\psi(x,t)\rangle$ é preparado aplicando uma unidade de codificação $U_{enc}$ (que depende da incorporação) seguida por um circuito variacional treinável $U_{var}$.

Estratégias de Incorporação (Embedding)

O estudo compara duas abordagens distintas para a etapa de codificação ($U_{enc}$), mantendo o circuito variacional e a função de perda física idênticos para garantir uma comparação controlada:

1. Incorporação Híbrida Clássica (FNN-TE-QPINN):

   • Utiliza uma Rede Neural Feed-Forward (FNN) clássica para mapear as coordenadas de entrada $(x,t)$ em um vetor de ângulos de rotação.
   • Esses ângulos são então usados para codificar os dados em qubits via rotações $R_y$.
   • Vantagem: Permite pré-processamento não linear eficiente no domínio clássico e cálculo automático de derivadas.

2. Incorporação Totalmente Quântica (QNN-TE-QPINN):

   • A etapa de incorporação é realizada inteiramente por um circuito quântico auxiliar parametrizado (QNN).
   • Os valores esperados deste circuito são transformados nos parâmetros de rotação para a codificação principal.
   • Resultado: Um mapa de características totalmente quântico com parametrização compacta.

Otimização Física-Informada

O treinamento minimiza uma função de perda composta que inclui:

• Resíduo da EDP (equação de calor).
• Condições de contorno.
• Condições iniciais.
  Os gradientes são calculados usando diferenciação automática para os componentes clássicos e a regra de deslocamento de parâmetros (parameter-shift) para os componentes quânticos.

3. Contribuições Principais

• Investigação Sistemática: Primeira análise comparativa detalhada de estratégias de incorporação (clássica vs. quântica) especificamente para EDPs parabólicas em um framework PINN quântico.
• Validação Numérica: Fornecimento de validação abrangente em problemas de equação de calor 1D e 2D.
• Análise de Eficiência: Comparação controlada de convergência, precisão e eficiência de parâmetros sob restrições de simulação NISQ.
• Insights Arquiteturais: Demonstração de que a estratégia de incorporação é crítica para a estabilidade e o desempenho, sugerindo que abordagens puramente quânticas para a etapa de entrada ainda enfrentam desafios em comparação com métodos híbridos.

4. Resultados Experimentais

Os experimentos foram realizados simulando circuitos quânticos em hardware clássico (GPUs NVIDIA H100) usando as bibliotecas PyTorch e PennyLane.

Cenário 1D (Equação de Calor Unidimensional)

• Configuração: 6 qubits.
• Desempenho: O modelo FNN-TE-QPINN (híbrido) superou significativamente tanto a PINN clássica quanto a QNN-TE-QPINN (totalmente quântica).
  • FNN-TE-QPINN: Perda total de $4.86 \times 10^{-6}$ e erro máximo absoluto de $4.54 \times 10^{-7}$. Convergiu mais rápido (40 épocas).
  • PINN Clássica: Perda de $8.95 \times 10^{-6}$.
  • QNN-TE-QPINN: Perda mais alta ($1.34 \times 10^{-4}$), indicando que a incorporação puramente quântica foi menos otimizada neste caso, embora a curva de perda tenha sido suave.

Cenário 2D (Equação de Calor Bidimensional)

• Configuração: 4 qubits, coeficiente de difusão alto ($2/\pi$), 125.000 pontos de colocalização.
• Desempenho: A tendência se manteve consistente com o caso 1D.
  • FNN-TE-QPINN: Obteve a melhor precisão com erro $L_2$ de $7.09 \times 10^{-1}$ e erro máximo de $5.34 \times 10^{-1}$ (notar que os valores absolutos são maiores devido à escala do problema 2D, mas a precisão relativa foi superior).
  • QNN-TE-QPINN: Apresentou o pior desempenho numérico entre os três, com erro $L_2$ de $8.60 \times 10^{-1}$.
  • Observação: Apesar do erro numérico mais alto, o mapa de calor da QNN-TE-QPINN visualmente parecia "mais limpo", sugerindo que o modelo quântico puro capturou a estrutura global, mas com menor precisão local.

5. Significado e Conclusões

• Superioridade Híbrida: O estudo conclui que, na era NISQ, estratégias de incorporação híbrida (usando redes neurais clássicas para mapear dados para o espaço quântico) oferecem maior estabilidade e desempenho preditivo do que abordagens puramente quânticas ou puramente clássicas para EDPs parabólicas.
• Papel da Incorporação: A etapa de incorporação é fundamental. Mapear dados clássicos complexos diretamente para estados quânticos usando apenas circuitos quânticos rasos (como no QNN-TE-QPINN) ainda não é tão eficiente quanto usar uma rede clássica para pré-processar essas características.
• Futuro: A pesquisa sugere que o futuro dos solucionadores de EDPs quânticos reside na otimização da interface clássico-quântica. A aplicação de aprendizado de máquina clássico para otimizar a preparação de estados quânticos é uma direção promissora.

Em resumo, o trabalho valida que a combinação de redes neurais clássicas para a etapa de entrada com circuitos quânticos variacionais para a transformação não linear é a abordagem mais robusta e precisa atualmente para resolver equações de calor, superando tanto os métodos clássicos puros quanto as tentativas de soluções totalmente quânticas neste estágio de desenvolvimento tecnológico.