DOI: https://doi.org/10.1007/s42484-026-00365-w
تاريخ النشر: 2026-03-03
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: خوارزميات وهندسة الحوسبة الكمومية
نظرة عامة
تقدم البحث إطار عمل شبكة عصبية مستنيرة بفيزياء الكم (QPINN) مصممة لحل معادلات ماكسويل ثنائية الأبعاد المعتمدة على الزمن من خلال دمج القوانين الفيزيائية في دالة خسارة الشبكة العصبية. باستخدام دائرة كمومية معلمة (PQC) جنبًا إلى جنب مع هياكل الشبكات العصبية التقليدية، تفرض QPINN مبدأ الحفاظ على الطاقة العالمي أثناء التدريب. تم تطوير مكتبة محاكاة كمومية، TorQ، لتسهيل حسابات فعالة لمخرجات الدائرة والمشتقات، مستفيدة من تسريع GPU عبر PyTorch. تم اختبار QPINN على سيناريوهين لانتشار الموجات الكهرومغناطيسية—واحد في الفضاء الحر وآخر مع وسط عازل—بينما تم استخدام مجموعة متنوعة من الأنماط الكمومية وشروط الخسارة في دراسة شاملة للإزالة.
تشير النتائج إلى أن QPINN تحقق دقة مماثلة أو متفوقة على PINNs التقليدية بينما تستخدم عددًا أقل بكثير من المعلمات القابلة للتدريب. من الجدير بالذكر أن تضمين شرط الحفاظ على الطاقة يعزز استقرار التدريب ويحسن من الدقة الفيزيائية للحلول، خاصة في السيناريوهات الخالية من الخسارة. تبرز الدراسة ظهور ظاهرة “فقدان الثقب الأسود” (BH) في التجارب الكمومية بدون الحفاظ على الطاقة، والتي يخفف منها الإطار المقترح بشكل فعال. في النهاية، أظهرت QPINN زيادة تصل إلى 19% في الدقة على المشكلات المرجعية مقارنة بـ PINNs التقليدية، مما يبرز أهمية القيود الفيزيائية في تحقيق الأداء الأمثل. ستركز الأعمال المستقبلية على تحسين هيكل QPINN واستكشاف قابليتها للتطبيق على مجموعة أوسع من المشكلات الفيزيائية.
مقدمة
تسلط مقدمة الورقة الضوء على الاهتمام المتزايد بالحوسبة الكمومية، وخاصة تطبيقها في التعلم الآلي العلمي من خلال الشبكات العصبية المستنيرة بالفيزياء (PINNs). تعمل PINNs كأطر تقريب دالة قابلة للاشتقاق لحل المعادلات التفاضلية العادية والجزئية (ODEs/PDEs) وقد تم تطبيقها بنجاح عبر مجالات مختلفة، بما في ذلك انتشار الموجات وديناميات السوائل. تقدم الورقة الشبكات العصبية المستنيرة بفيزياء الكم (QPINNs)، التي تعزز PINNs التقليدية من خلال دمج الدوائر الكمومية المعلمة (PQCs) لتحسين التعبيرية والقابلية للتوسع، خاصة للمشكلات عالية الأبعاد. أظهرت الدراسات الأولية أن QPINNs يمكن أن تتفوق على PINNs التقليدية في بعض السيناريوهات، لكن فعاليتها في الأنظمة الأكثر تعقيدًا، عالية الأبعاد، وغير الخطية لا تزال غير مستكشفة بشكل كافٍ.
يهدف المؤلفون إلى معالجة هذه الفجوة من خلال التحقيق في استخدام QPINNs لحل معادلات ماكسويل المرتبطة ثنائية الأبعاد والمعتمدة على الزمن، وهي تحدٍ تمثيلي في مشكلات الحقول غير المستقرة متعددة الأبعاد. يقومون بتطوير إطار عمل هجين من PINN الكمومي التقليدي الذي يدمج PQC وعقوبة مستنيرة بالفيزياء جديدة تعتمد على قانون الحفاظ على طاقة بويتنغ للتخفيف من مشكلات مثل ظاهرة “الثقب الأسود”، حيث ينهار الحل إلى قيم تافهة. تتضمن الدراسة تحليلًا شاملاً لمجموعة متنوعة من الأنماط الكمومية وأنظمة ترميز زاوية الإدخال، وتقييم تأثيرها على التقارب والدقة. تعد الورقة بمساهمة كبيرة في فهم وتطبيق QPINNs في حل المشكلات الكهرومغناطيسية المعقدة، مما يمهد الطريق للبحوث المستقبلية في هذا المجال.
طرق
في هذا القسم، يحدد المؤلفون المنهجية المستخدمة لمعالجة مشكلة البحث، موضحين صياغة المشكلة والتقنيات التحليلية المستخدمة. يبدأ النهج بتعريف واضح للأهداف والقيود للدراسة، تليها إقامة نماذج رياضية ذات صلة. تم تصميم هذه النماذج لالتقاط الديناميات الأساسية للنظام قيد التحقيق، مما يسمح باستكشاف منهجي للظواهر الأساسية.
يستخدم المؤلفون مزيجًا من الطرق الكمية والنوعية، مدمجين التحليل الإحصائي مع المحاكاة الحاسوبية للتحقق من نتائجهم. لا يعزز هذا النهج المزدوج فقط قوة النتائج ولكنه يوفر أيضًا فهمًا شاملاً للتفاعلات داخل النظام. يتم تحديد المقاييس الرئيسية ومؤشرات الأداء لتقييم فعالية الحلول المقترحة، مما يضمن توافق المنهجية مع الأهداف البحثية العامة.
نتائج
في هذا القسم، يتم تقديم نتائج دراسة الإزالة، مع التركيز على معيار الخطأ النسبي L2 لمجال الكهرباء \( E_z \) مقارنةً بنظام Padé من الدرجة الرابعة عالي الدقة، والذي يعمل كحل مرجعي. يتم حساب الخطأ على شبكة كثيفة من النقاط المكانية \( 512 \times 512 \) و \( 1500 \) خطوة زمنية، باستخدام الصيغة:
\[
L_2 \text{ error} = \sqrt{\frac{\sum_{n=1}^{N} (E_z^{(n)} – E_z^{(n)}_{\text{Padé}})^2}{\sum_{n=1}^{N} (E_z^{(n)}_{\text{Padé}})^2}}
\]
تقيم الدراسة تكوينات متعددة من الشبكات العصبية المستنيرة بفيزياء الكم (QPINNs) من خلال تغيير الأنماط، وتعديل الإدخال، وتضمين شرط خسارة الحفاظ على الطاقة \( L_{\text{energy}} \). بالإضافة إلى ذلك، تم إجراء تجارب PINN التقليدية مع أعماق شبكة متغيرة للمقارنة. تشير النتائج إلى أن حلول PINN التقليدية ونظام Padé لا يمكن تمييزها بصريًا، كما هو مفصل في Shaviner et al. (2025). من الجدير بالذكر أن عقوبة الطاقة تعمل كمنظم هيكلي، مما يخفف بشكل فعال من أنماط الفشل المتقطعة ويعزز أداء QPINNs، كما يتضح من التكوينات التي تفوقت على الخط الأساسي المشار إليه بالنجوم السوداء وخطأ أفضل تجربة محدد بنجمة ذهبية.
مناقشة
في هذا القسم، يناقش المؤلفون صياغة وتنفيذ شبكة عصبية مستنيرة بالفيزياء (PINN) لحل معادلات ماكسويل في بعدين، مع التركيز على كل من الفراغ والوسائط العازلة. يتم تقديم المعادلات في البداية في شكلها المجهري، مع إجراء تبسيطات للمناطق الخالية من الشحنات والتيارات. يستخرج المؤلفون المعادلات التي تحكم الاستقطاب الكهربائي العرضي (TE) ويقدمون تحولًا لتطبيع المجال الكهربائي، مما يعزز الاستقرار العددي. يوضحون إعداد المشكلة، بما في ذلك المجالات المكانية والزمنية، والظروف الأولية للحقول الكهربائية والمغناطيسية.
ثم يصف المؤلفون تحسينات على هيكل PINN التقليدي، بما في ذلك إدخال شروط الحفاظ على الطاقة والتناسق لتحسين التقارب والاستقرار. يؤكدون على أهمية هذه الشروط في الحفاظ على الدقة الفيزيائية، خاصة في تجنب تدهور السعة الكاذبة، المعروف بظاهرة “الثقب الأسود”. يتناول القسم أيضًا هيكل QPINN، الذي يدمج الدوائر الكمومية في إطار الشبكة العصبية، ويناقش تصميمات الأنماط المختلفة التي تهدف إلى استكشاف تأثير التشابك على أداء النموذج. تشير النتائج إلى أن QPINN تظهر أداءً تنافسيًا مع عدد أقل من المعلمات وتقارب أسرع مقارنةً بـ PINNs التقليدية، خاصة في حالة العزل، حيث يتم تعزيز الاستقرار والدقة بشكل كبير.
DOI: https://doi.org/10.1007/s42484-026-00365-w
Publication Date: 2026-03-03
Author(s): Zhenyun Du et al.
Primary Topic: Quantum Computing Algorithms and Architecture
Overview
The research introduces a Quantum Physics-Informed Neural Network (QPINN) framework designed to solve two-dimensional time-dependent Maxwell’s equations by integrating physical laws into the neural network’s loss function. Utilizing a parameterized quantum circuit (PQC) alongside classical neural network architectures, the QPINN enforces a global energy conservation principle during training. A quantum simulation library, TorQ, was developed to facilitate efficient computation of circuit outputs and derivatives, leveraging GPU acceleration via PyTorch. The QPINN was tested on two electromagnetic wave propagation scenarios—one in free space and another with a dielectric medium—while employing various quantum circuit ansätze and loss terms in a comprehensive ablation study.
The findings indicate that the QPINN achieves comparable or superior accuracy to classical PINNs while utilizing significantly fewer trainable parameters. Notably, the inclusion of an energy conservation term enhances training stability and improves the physical fidelity of solutions, particularly in lossless scenarios. The study highlights the emergence of a “black hole” (BH) loss landscape phenomenon in quantum experiments without energy conservation, which the proposed framework effectively mitigates. Ultimately, the QPINN demonstrated up to a 19% increase in accuracy on benchmark problems compared to classical PINNs, underscoring the importance of physical constraints in achieving optimal performance. Future work will focus on refining the QPINN architecture and exploring its applicability to a broader range of physical problems.
Introduction
The introduction of the paper highlights the growing interest in quantum computing, particularly its application in scientific machine learning through Physics-Informed Neural Networks (PINNs). PINNs serve as differentiable function-approximation frameworks for solving ordinary and partial differential equations (ODEs/PDEs) and have been successfully applied across various fields, including wave propagation and fluid dynamics. The paper introduces Quantum Physics-Informed Neural Networks (QPINNs), which enhance the classical PINNs by integrating parametrized quantum circuits (PQCs) to improve expressivity and scalability, especially for high-dimensional problems. Initial studies have shown that QPINNs can outperform classical PINNs in certain scenarios, but their efficacy in more complex, high-dimensional, and nonlinear systems remains underexplored.
The authors aim to address this gap by investigating the use of QPINNs to solve coupled two-dimensional, time-dependent Maxwell’s equations, a representative challenge in multi-dimensional unsteady field problems. They develop a hybrid quantum-classical PINN framework that incorporates a PQC and a novel physics-informed penalty based on the Poynting energy conservation law to mitigate issues such as the “black hole” phenomenon, where the solution collapses to trivial values. The study includes a comprehensive analysis of various quantum ansätze and input-angle encoding schemes, assessing their impact on convergence and accuracy. The paper promises to contribute significantly to the understanding and application of QPINNs in solving complex electromagnetic problems, setting the stage for future research in this domain.
Methods
In this section, the authors outline the methodology employed to address the research problem, detailing the formulation of the problem and the analytical techniques utilized. The approach begins with a clear definition of the objectives and constraints of the study, followed by the establishment of relevant mathematical models. These models are designed to capture the essential dynamics of the system under investigation, allowing for a systematic exploration of the underlying phenomena.
The authors employ a combination of quantitative and qualitative methods, integrating statistical analysis with computational simulations to validate their findings. This dual approach not only enhances the robustness of the results but also provides a comprehensive understanding of the interactions within the system. Key metrics and performance indicators are identified to evaluate the effectiveness of the proposed solutions, ensuring that the methodology aligns with the overarching research goals.
Results
In this section, the results of an ablation study are presented, focusing on the L2 relative error norm of the electric field \( E_z \) compared to a high-fidelity 4th-order Padé scheme, which serves as the reference solution. The error is calculated over a dense grid of \( 512 \times 512 \) spatial points and \( 1500 \) time steps, using the formula:
\[
L_2 \text{ error} = \sqrt{\frac{\sum_{n=1}^{N} (E_z^{(n)} – E_z^{(n)}_{\text{Padé}})^2}{\sum_{n=1}^{N} (E_z^{(n)}_{\text{Padé}})^2}}
\]
The study evaluates multiple configurations of Quantum Physics-Informed Neural Networks (QPINNs) by varying the ansatz, input scaling, and the inclusion of the energy conservation loss term \( L_{\text{energy}} \). Additionally, classical PINN runs with varying network depths were conducted for comparison. The results indicate that the classical PINN and Padé scheme solutions are visually indistinguishable, as detailed in Shaviner et al. (2025). Notably, the energy penalty serves as a structural regularizer, effectively mitigating discrete failure modes and enhancing the performance of QPINNs, as evidenced by configurations that outperformed the baseline indicated by black stars and the best run’s error marked by a gold star.
Discussion
In this section, the authors discuss the formulation and implementation of a Physics-Informed Neural Network (PINN) for solving Maxwell’s equations in two dimensions, focusing on both vacuum and dielectric media. The equations are initially presented in their microscopic form, with simplifications made for regions devoid of charges and currents. The authors derive the equations governing transverse electric (TE) polarization and introduce a transformation to normalize the electric field, enhancing numerical stability. They detail the problem setup, including the spatial and temporal domains, and the initial conditions for the electric and magnetic fields.
The authors then describe enhancements to the classical PINN architecture, including the introduction of symmetry and energy conservation loss terms to improve convergence and stability. They emphasize the importance of these terms in maintaining physical fidelity, particularly in avoiding spurious amplitude decay, known as the “black-hole” phenomenon. The section also outlines the architecture of a Quantum PINN (QPINN), which integrates quantum circuits into the neural network framework, and discusses various ansatz designs aimed at exploring the impact of entanglement on model performance. The results indicate that the QPINN demonstrates competitive performance with fewer parameters and faster convergence compared to classical PINNs, particularly in the dielectric case, where stability and accuracy are significantly enhanced.