Решение нелинейных дифференциальных уравнений в частных производных остается главным вычислительным барьером в гидродинамике, материаловедении и молекулярном моделировании. Хотя классические нейросетевые операторы дают стабильные результаты, квантовое машинное обучение долгое время упиралось в чрезмерную глубину квантовых схем, проблему затухания градиентов (barren plateaus) и теоретическую неопределенность. Исследовательская группа под руководством Руочэн Ванга, Сяоцю Чжуна, Чжо Ся и Цзюньчи Яня предложила решение в журнале Nature Machine Intelligence, представив строгую математическую базу и архитектуру QuanONet.
Квадратичные фреймы признаков и теоретическая емкость
Ключевой прорыв заключается в доказательстве универсальной аппроксимации операторов для непрерывных нелинейных систем в условиях зашумленного квантового оборудования (NISQ). Вместо того чтобы полагаться на экспоненциальное масштабирование гильбертова пространства, быстро разрушающееся из-за аппаратного шума, авторы доказали: матрица плотности QuanONet неявно формирует квадратичный фрейм признаков.
«В отличие от традиционных подходов, зависящих от экспоненциальных гильбертовых пространств, мы доказали, что матрица плотности архитектуры неявно выстраивает квадратичный фрейм признаков».
За счет использования неявного квадратичного фрейма архитектура достигает границы выразительности оператора O(p^2), что вдвое превышает линейный предел O(p) у классических аналогов с аналогичным числом параметров. С инженерной точки зрения QuanONet отображает сложные функциональные пространства без необходимости строить глубокие схемы, уязвимые к декогеренции, которые делают непрактичными стандартные квантовые алгоритмы.
Преодоление аппаратных ограничений с помощью обучаемых частот
Чтобы предотвратить разрастание глубины схем при выравнивании спектра, авторы представили TF-QuanONet — архитектуру с обучаемыми базовыми частотами. Адаптивный шаг частот позволяет захватывать высокочастотную физическую динамику без раздувания числа параметров. В прямых тестах против классических моделей с равным числом параметров TF-QuanONet показала сопоставимую точность при значительно более стабильной сходимости.
В тестах масштабирования при увеличении размерности признаков до p = 256 QuanONet стабильно достигает предела точности там, где у классических моделей наблюдается сильный разброс ошибок. Авторы подтвердили математические расчеты физическими запусками на квантовых процессорах IBM, доказав устойчивость архитектуры к реальному аппаратному шуму.
Для руководителей корпоративных R&D в аэрокосмической и химической отраслях эта работа создает фундамент для перехода от классических суперкомпьютерных кластеров к гибридным квантовым вычислениям. И хотя промышленное внедрение все еще ограничено числом физических кубитов и точностью считывания, QuanONet переводит квантовое машинное обучение из области маркетинговых обещаний в плоскость математически обоснованного физического моделирования.