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

Resumo Técnico: Aceleração de Redes Neurais Informadas por Física para Inversão de Forma de Onda Completa Usando uma Arquitetura Híbrida Quântico-Clássica de Base Finita

Definição do Problema
A Inversão de Forma de Onda Completa (FWI - Full Waveform Inversion) é uma técnica crítica para reconstruir propriedades de materiais heterogêneos a partir de dados de forma de onda, com aplicações que variam desde o imageamento de velocidade de subsuperfície até a tomografia de ultrassom médica. No entanto, a FWI permanece computacionalmente exigente, requerendo soluções iterativas para a equação de onda direta e computações de gradiente via métodos de estado adjunto. Embora as Redes Neurais Informadas por Física (PINNs) ofereçam uma alternativa livre de malha (mesh-free) ao minimizar os resíduos das equações diferenciais parciais (PDEs), as PINNs padrão enfrentam dificuldades com a propagação de ondas de alta frequência e física multiescala devido ao "viés espectral" — uma tendência de aprender características de baixa frequência antes das de alta frequência. Embora as PINNs de Base Finita (FBPINNs) tenham abordado isso via decomposição de domínio, sua aplicação à inversão de forma de onda permanece inexplorada. Além disso, embora a computação quântica tenha mostrado promessa no aprendizado de máquina científico, sua integração no problema inverso específico e altamente não linear da FWI — onde os campos de onda e os modelos de velocidade estão acoplados — não foi investigada minuciosamente.

Metodologia
Os autores propõem uma estrutura FBPINN híbrida quântico-clássica para FWI acústica. A arquitetura substitui as cabeças de rede neural padrão (tanto da rede do campo de onda decomposta $\phi$ quanto da rede de velocidade global $\alpha$) por pipelines clássico-quânticos.

• Arquitetura: As coordenadas de entrada são processadas por pré-redes clássicas (camadas totalmente conectadas com ativações tanh) para mapeá-las em espaços latentes de baixa dimensão. Esses vetores latentes são então codificados em circuitos quânticos parametrizados (PQCs) via codificação por ângulo ($R_y(\beta_i z_i)$). Os PQCs consistem em camadas variacionais contendo rotações de qubit único ($R_x, R_y, R_z$) e portas de emaranhamento CNOT, seguidas de medição na base Pauli-Z. As saídas quânticas limitadas são reescalonadas por camadas de saída clássicas para unidades físicas.
• Ambiente de Simulação: Para isolar os benefícios arquiteturais do ruído de hardware, os PQCs são implementados como simuladores de estado vetorial diferenciáveis em JAX. Isso permite a diferenciação automática exata de ponta a ponta através da PINN clássica, do circuito quântico e da perda informada pela física, evitando o custo computacional das regras de deslocamento de parâmetro (parameter-shift rules) necessárias em hardware físico.
• Treinamento: O framework utiliza uma função de perda composta que incorpora resíduos de PDE (equação de onda acústica sem fonte), condições iniciais (instantes do campo de onda), erro de dados (observações de receptores) e restrições de contorno de superfície livre. O modelo é treinado usando o otimizador Adam.

Principais Contribuições

1. Primeira Aplicação de FBPINNs Híbridas Quântico-Clássicas à FWI: O trabalho estende as vantagens de decomposição de domínio das FBPINNs para a inversão de forma de onda, acoplando uma rede de campo de onda decomposta com uma rede de velocidade global via circuitos quânticos.
2. Pipeline Diferenciável de Ponta a Ponta: Ao implementar os PQCs como simuladores de estado vetorial nativos de JAX, os autores permitem a computação eficiente de gradientes sem a regra de deslocamento de parâmetro, facilitando a otimização do problema direto-inverso acoplado.
3. Benchmarking Sistemático: O estudo avalia a arquitetura híbrida contra um baseline de FBPINN puramente clássico e 15 variantes distintas de hiperparâmetros clássicos (incluindo redes superparametrizadas e partições de subdomínios alternativas) para garantir que os resultados não sejam artefatos de um ajuste clássico subótimo.

Resultos
Os autores avaliaram o framework em dois benchmarks geofísicos:

• Benchmark de Anomalia: Em um domínio acústico 2D com uma anomalia localizada de baixa velocidade, o modelo híbrido alcançou um erro de velocidade $L_1$ menor (2,4 $\times$ 10$^{-2}$) em aproximadamente 65.000 iterações de treinamento. Em contraste, o baseline clássico exigiu 500.000 iterações para atingir um erro ligeiramente superior (2,9 $\times$ 10$^{-2}$). Isso representa uma redução de aproximadamente 8 vezes nas iterações de otimização para atingir uma precisão comparável, apesar de o modelo híbrico utilizar 33% menos parâmetros treináveis (101.812 vs. 151.836). Nenhuma das 15 variantes de hiperparâmetros clássicos igualou esse desempenho dentro da janela testada.
• Benchmark de Tabuleiro de Xadrez (Checkerboard): Utilizando uma fonte de maior frequência (60 Hz) para resolver um padrão de velocidade tipo tabuleiro de xadrez de 3 $\times$ 3, o modelo híbrico recuperou com sucesso as variações espaciais estruturadas usando exatamente a mesma configuração de rede do benchmark de anomalia (apenas com aumento na densidade de pontos de colocação). Isso confirma a generalidade do pipeline de inversão além de anomalias localizadas.

Significância e Alegações
O artigo afirma que a arquitetura híbrida quântico-clássica oferece uma aceleração significativa na velocidade de convergência e na eficiência de parâmetros em comparação com as baselines de FBPINN clássicas. Os autores atribuem este desempenho a três propriedades do pipeline clássico-PQC:

1. Eficiência de Parâmetros: O PQC atua como um mapa não linear onde os parâmetros são compartilhados entre a mistura de características e a geração de saída.
2. Estrutura de Fourier de Frequência Finita: A codificação por ângulo confere à saída uma estrutura de Fourier de frequência finita treinável, potencialmente mitigando o viés espectral de forma mais eficaz do que camadas de características de Fourier fixas ou redes tanh padrão.
3. Correlações Estruturadas: Camadas de emaranhamento CNOT geram correlações entre variáveis latentes através da dinâmica do circuito, em vez de camadas de afinidade-mais-não-linearidade empilhadas.

Limitações e Modéstia
Os autores declaram explicitamente que estes resultados não constituem uma "vantagem computacional quântica" no sentido estrito, pois os circuitos são simulados classicamente e a classe de funções é classicamente representável. Os ganhos observados referem-se ao número de iterações de otimização, não ao tempo de execução (wall-clock time). O estudo é limitado a:

• Propagação de onda acústica bidimensional (não elástica 3D).
• Uma configuração de fonte única e receptor de um lado (um problema severamente mal posto).
• Simulação de estado vetorial clássica (evitando ruídos NISQ e platôs estéreis/barren plateaus).
• Uma comparação contra arquiteturas clássicas baseadas em tanh; os autores observam que um controle clássico correspondente com embeddings explícitos de características de Fourier ou senoidais é um passo futuro necessário para isolar se a vantagem provém da parametrização quântica ou do viés indutivo de frequência finita.

O framework é apresentado como amplamente aplicável a problemas inversos baseados em ondas além da geofísica, incluindo tomografia de ultrassom médica e avaliação não destrutiva, desde que os desafios de escala para 3D e hardware real sejam abordados.