arXiv · 18.06.2026 ·Машинное обучение

Гибридные квантово-классические сети KAN для решения дифференциальных уравнений

Исследователи представили QCPIKAN — первую архитектуру, объединяющую сети Колмогорова-Арнольда (KAN) с квантовыми вычислениями для решения дифференциальных уравнений в частных производных (PDE). В основе метода лежат слои на базе полиномов Чебышева, интегрированные с параметризованными квантовыми схемами. Такой подход позволяет использовать преимущества квантовых вычислений для аппроксимации сложных функций, сохраняя при этом гибкость классических нейронных сетей.

Ключевой особенностью разработки стало внедрение физических ограничений непосредственно в функцию потерь при обучении модели. Это гарантирует, что предсказания нейросети соответствуют фундаментальным законам физики, описываемым дифференциальными уравнениями. В отличие от стандартных подходов, где физическая согласованность часто требует значительных вычислительных ресурсов, гибридная структура QCPIKAN позволяет эффективнее находить решения в задачах моделирования сложных физических систем.

Теоретическое обоснование метода опирается на теорию аппроксимации, подтверждая способность новой архитектуры к точному моделированию динамических процессов. Разработка открывает возможности для применения квантово-классических нейросетей в инженерных расчетах, гидродинамике и материаловедении, где классические численные методы сталкиваются с ограничениями по производительности или точности.

Источник: arXiv

Похожие материалы

arXiv · Машинное обучение Ускорение численного моделирования потоков с помощью графовых нейросетей Исследователи представили новый метод ускорения алгебраических многосеточных решателей (AMG), используемых для решения уравнения Пуассона при моделировании несжимаемых потоков. Традиционные линейные методы часто сталкиваются с вычислительными сложностями из-за неоднородности расчетных сеток, что делает их узким местом в инженерных расчетах. arXiv · Машинное обучение Новый метод решения нелинейных уравнений с нейросетями Исследователи предложили новый численный метод для решения нелинейных дифференциальных уравнений с использованием физически информированных нейронных сетей (PINNs). Метод основан на подходе Беллмана-Калабы, который сводит нелинейную задачу к последовательности линейных подзадач. Каждая из них решается методом наименьших квадратов с помощью QR-разложения. arXiv · Машинное обучение Новая архитектура P-K-GCN для моделирования пространственно-временных данных Исследователи представили архитектуру P-K-GCN (Physics-augmented Koopman-enhanced Graph Convolutional Network), предназначенную для решения задач пространственно-временного суперразрешения. Метод позволяет восстанавливать высокоточные данные из грубых входных сигналов, что критически важно для сложных физических симуляций, где прямые вычисления требуют огромных вычислительных мощностей. arXiv · Машинное обучение Оптимизация гиперпараметров в физически информированных нейросетях Исследователи представили новый подход к обучению физически информированных нейронных сетей (PINNs), предназначенных для решения дифференциальных уравнений в частных производных. Основная сложность таких моделей заключается в нестабильной сходимости и высокой чувствительности к выбору гиперпараметров, что вызвано невыпуклой структурой функции потерь, включающей множество физических ограничений. arXiv · Машинное обучение Метод INDEQS для прогнозирования временных рядов на графах Исследователи представили новый метод прогнозирования временных рядов — Informed Neural controlled Differential EQuationS (INDEQS). Он расширяет возможности нейронных управляемых дифференциальных уравнений (NCDE), которые традиционно используются для анализа непрерывных данных во времени. В отличие от стандартных подходов, где пространственная структура графа вычисляется исключительно на основе данных, INDEQS позволяет интегрировать априорно известные знания о направленной структуре связей. arXiv · Машинное обучение Новая библиотека KANLib для обучения нейросетей на основе KAN Исследователи представили KANLib — модульную и масштабируемую библиотеку для работы с Kolmogorov-Arnold Networks (KAN). Эти сети используют обучаемые унивариантные функции вместо линейных весов, что делает их более интерпретируемыми и выразительными по сравнению с традиционными multilayer perceptrons (MLP). arXiv · Машинное обучение Новый подход к моделированию динамических систем через явные структуры Исследователи представили альтернативный подход к обучению динамических систем, который отходит от использования универсальных нелинейных аппроксиматоров. Вместо наращивания сложности нейронных сетей для захвата сложных паттернов, авторы предлагают архитектуру, где моделирующая способность системы определяется её внутренней структурой. Такой метод позволяет эффективнее описывать поведение динамических процессов, опираясь на математически обоснованные взаимодействия, а не на избыточную нелинейность. arXiv · Исследования и наука Новый подход к поиску математических решений через агентные системы Исследователи представили фреймворк Agentic Symbolic Search (ASYS), предназначенный для анализа дифференциальных уравнений в частных производных. В отличие от традиционных численных методов или нейронных сетей, которые оперируют массивами данных или аппроксимациями, новый подход направлен на выявление фундаментальных математических структур, описывающих поведение системы. Это позволяет получать решения в виде аналитических выражений, что ближе к классическому математическому анализу. arXiv · Исследования и наука DIPHINE: новый метод анализа информационных систем через диффузионные модели Исследователи представили DIPHINE (Diffusion-based Φ-ID Neural Estimator) — новый вычислительный метод для анализа сложных систем. В основе работы лежит фреймворк Φ-ID (Integrated Information Decomposition), который позволяет разделять динамику данных на 16 независимых компонентов. Эти компоненты описывают, как именно информация хранится, распределяется и интегрируется внутри многомерных систем с течением времени. Hacker News · Инференс и железо Глубокое погружение в целочисленную квантование нейросетей Целочисленное квантование (Integer Quantization) остается ключевым методом оптимизации нейронных сетей для работы на устройствах с ограниченными вычислительными ресурсами. Технология позволяет перевести веса и активации модели из формата с плавающей запятой в целые числа, что значительно снижает требования к оперативной памяти и ускоряет выполнение операций на процессорах и ускорителях.

← Все материалы