QCPINN: Quantum-Classical Physics-Informed Neural Networks for Solving PDEs

物理学的世界建立在一套描述万物如何运动与变化的数学规则之上，从机翼周围的空气流动到金属棒中的热量扩散。科学家们称这些规则为偏微分方程。几十年来，求解这些方程一直需要巨大的计算能力和复杂的数值方法，且在问题变得过于复杂或数据过于稀疏时，这些方法往往会失效。近年来，一种被称为“物理信息神经网络”的新方法脱颖而出。这些计算机程序的设计初衷不仅是学习数据，更是学习物理定律本身，将自然界的规律直接嵌入其结构之中。尽管前景广阔，但为了获得准确的结果，这些程序通常需要规模庞大的模型，拥有数百万个可调节参数。这造成了一个瓶颈：物理问题越复杂，计算机模型就必须变得越大且越昂贵。

来自伊斯坦布尔理工大学和英国科学技术设施委员会的研究人员探索了一种在不损失准确性的前提下缩小这些模型的方法。他们开发了一种混合系统，将标准的计算机处理与量子计算原理相结合。在这种被称为“量子-经典物理信息神经网络”的新设置中，学习复杂模式的繁重任务由经典计算机和量子电路共同承担。该团队通过要求系统求解五种不同类型的困难物理方程来测试这一想法。他们发现，通过使用一种特定类型的量子电路，可以实现与大规模经典模型同样出色的结果，但所需的参数却极少。在某些情况下，新系统使用的参数仅为传统方法的十分之一到百分之三十。

这项工作的核心在于研究人员如何结合两种截然不同的计算类型。系统的其中一部分是一个标准的神经网络，它充当预处理器和后处理器，负责处理原始数据和最终输出。夹在这些经典层之间的是一个量子层。这个量子层并不运行在物理量子计算机上（因为目前的物理量子计算机对于此类工作来说过于嘈杂且不稳定），而是运行在一个模拟器上，即一个模仿量子计算机行为的程序。研究人员测试了两种主要的量子层风格。第一种风格使用连续变量，处理如光波的位置和动量等平滑、流动的量；第二种风格使用离散变量，依赖于被称为“量子比特”的离散单元，这些单元类似于普通计算机中的比特，但具有同时存在于多种状态的能力。

当团队运行实验时，连续变量风格的结果令人失望。无论他们如何调整设置，这些模型都难以稳定下来。它们变得不稳定，训练过程无法找到稳定的解。研究人员怀疑这是因为连续系统中涉及的数学极其敏感；数字的微小变化可能会引起结果巨大且不可预测的波动，使得计算机几乎不可能找到正确的路径。因此，团队将成功的重点转向了离散变量模型。他们测试了连接量子比特的几种不同方式，尝试了看起来像环形、层状和复杂网格的模式。

表现最好的设计被证明是那些以特定、结构化方式连接量子比特的设计。其中一个顶尖的设计使用了环形连接，即每个量子比特与其相邻的量子比特进行通信；另一个设计则使用了网格，允许每个量子比特与所有其他量子比特进行交互。这些配置使系统能够高效地捕捉物理方程内部的复杂关系。当研究人员将这些量子增强模型与最优秀的传统模型进行比较时，效率差异非常显著。对于一个涉及弦振动的问题，量子模型使用了约 796 个可调节设置，而传统模型则需要 2,751 个。对于一个涉及箱中流体流动的问题，量子模型使用了 923 个设置，而传统模型则超过 8,000 个。在这两种情况下，量子模型都达到了相同的准确度水平，证明了更小的系统也能胜任同样的工作。

这种优势不仅在于规模。在几项测试中，量子模型的误差甚至比传统模型更低。对于一个涉及物质在流体中扩散的问题，传统模型的误差率超过 12%，而量子模型将其降至 5% 以下。这表明量子层在识别数据的剧烈、突然变化方面特别擅长，而这些变化往往是物理问题中最难处理的部分。然而，这种效率是以速度为代价的。由于研究人员是在模拟器而非真实的硬件上运行这些量子电路，因此过程更加缓慢。量子模型的训练时间明显更长，每一步所需的计算时间有时是经典模型的四十倍。这是预料之中的，因为在标准计算机上模拟量子行为是非常耗费计算资源的。

研究还揭示了将数据输入量子系统的方式至关重要。研究人员尝试了两种方法：一种是将数据映射到量子比特的旋转角度，另一种是将数据映射到量子比特处于某种状态的概率。基于角度的方法效果要好得多。它使系统能够学习得更加平滑和一致，而基于概率的方法则难以找到清晰的路径。这一发现有助于解释为什么某些量子机器学习方法比其他方法更有效，并指向了能让训练更稳定的特定设计选择。

虽然结果令人鼓舞，但研究人员谨慎地指出，这仍处于早期阶段。这些模型是在模拟器上测试的，而非真实的量子计算机。真实的量子机器目前非常嘈于噪声且易出错，这可能会破坏微妙的学习过程。团队承认，从完美的模拟转向真实设备将带来新的挑战，例如处理量子硬件中自然产生的噪声。尽管如此，这项工作提供了一条清晰的未来路线图。它表明，构建比纯经典模型更高效的混合系统是可能的。通过使用小型量子电路来处理问题的最复杂部分，科学家们有可能以更少的计算能力解决困难的物理方程。这为解决目前成本过高或速度过慢的问题打开了大门，提供了一条融合了经典与量子世界优势的新型科学发现途径。