Quantum‑PDE‑Lösungen: Mehr Genauigkeit durch multifidelity‑Machine‑Learning

Quantenalgorithmen für partielle Differentialgleichungen (PDEs) stoßen bei heutigen Geräten auf gravierende Einschränkungen: Wenige Qubits begrenzen die räumliche Auflösung auf grobe Gitternetze, während die maximale Schaltkreis­tiefe die Integration über lange Zeiträume verhindert. Das Ergebnis sind Quanten­PDE‑Solver, die nur in einem niedrigen‑Fidelitäts‑Bereich arbeiten, obwohl sie theoretisch enorme Beschleunigungen bieten könnten.

Um dieses Problem zu lösen, hat ein Forschungsteam ein multifidelity‑Lernframework entwickelt, das grobe Quanten­Lösungen mithilfe knapper klassischer Trainingsdaten auf hohe Genauigkeit korrigiert. Zunächst wird ein Low‑Fidelity‑Surrogat mit einer großen Menge von Quanten­Solver‑Ausgaben trainiert. Anschließend lernt eine spezielle neuronale Architektur, die lineare und nichtlineare Transformationen kombiniert, die Korrektur­funktionen, die die groben Vorhersagen präzisieren.

Die Methode wurde an anspruchsvollen nichtlinearen PDEs getestet, darunter die viskose Burgers‑Gleichung und inkompressible Navier‑Stokes‑Flows, die mit quanten­basierten Lattice‑Boltzmann‑Methoden simuliert wurden. In allen Fällen korrigierte das Framework die groben Quanten­Vorhersagen zuverlässig und ermöglichte eine zeitliche Extrapolation weit über den klassischen Trainingszeitraum hinaus.

Durch die Reduktion des Bedarfs an teuren Hoch‑Fidelity‑Simulationen liefert das Konzept gleichzeitig Ergebnisse, die mit klassischen Methoden konkurrieren. Es demonstriert, wie aktuelle Quanten­Hardware trotz ihrer Beschränkungen in realen wissenschaftlichen Anwendungen nutzbar gemacht werden kann – ein wichtiger Schritt, um den praktischen Nutzen von Quantencomputern zu realisieren.