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

混合量子经典PINN加速地震反演

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-02 04:00

研究人员开发了一种混合量子经典方法，用于加速物理信息神经网络（PINNs）的全波形反演（FWI）。这种新方法将参数化量子电路集成到PINN框架中，能够更快、更准确地从地震数据中重建材料属性。与纯经典方法相比，该混合模型在地球物理基准测试中表现出显著的改进，以更少的训练迭代次数和参数实现了更低的误差。 AI

影响这种混合方法可以显著加速复杂的科学模拟，可能对地球物理学、医学成像和材料科学等领域产生影响。

排序理由详细介绍用于科学计算问题的、新颖的混合量子经典架构的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

Quantum Computing

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Hoang Anh Nguyen, Divakar Vashisth, Ali Tura · 2026-06-02 04:00

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

arXiv:2606.01110v1 Announce Type: cross Abstract: Full waveform inversion (FWI) reconstructs heterogeneous material properties from receiver data but remains computationally demanding. Physics-informed neural networks (PINNs) and their domain-decomposed variants (FBPINNs) offer a…

报道来源 [1]

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

相关实体

相关话题