可训练的光子测量推动物理信息偏微分方程学习

研究人员开发了一种新颖的可训练光子测量技术，用于学习物理信息偏微分方程（PDE）。该方法利用了光子量子神经网络，其中光学相位代表坐标，通过多光子干涉混合，并通过光子数测量进行解码。光子电路本身被优化为表示，从而最小化物理信息残差。该方法在各种 PDE 基准测试中，尤其是在残差导数放大相位失配的复杂区域，比经典基线展现出更高的准确性，可训练参数更少，误差最多可降低一个数量级。 AI

影响 引入了一种新颖的科学机器学习表示学习技术，有望提高求解复杂微分方程的准确性。

排序理由 详细介绍科学机器学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• Fock space
• Fourier-feature networks
• partial differential equation
• photonic chip
• photonic crystal
• photonic quantum neural field
• Physics-informed Neural Fields

• 论文
• 基础设施

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