[論文レビュー] Quantum AS-DeepOnet: Quantum Attentive Stacked DeepONet for Solving 2D Evolution Equations

Hongquan Wang, Hanshu Chen+2 more|arXiv (Cornell University)|Feb 28, 2026

Quantum Computing Algorithms and Architecture被引用数 0

ひとこと要約

ハイブリッド量子演算子ネットワーク（Quantum AS-DeepOnet）は、パラメトリック量子回路とサブネット間の注意機構を組み合わせ、2D 演化偏微分方程式を解く際に訓練可能パラメータを大幅に減らしつつ、古典的DeepONetと同程度の精度を達成する。

ABSTRACT

DeepONet enables retraining-free inference across varying initial conditions or source terms at the cost of high computational requirements. This paper proposes a hybrid quantum operator network (Quantum AS-DeepOnet) suitable for solving 2D evolution equations. By combining Parameterized Quantum Circuits and cross-subnet attention methods, we can solve 2D evolution equations using only 60% of the trainable parameters while maintaining accuracy and convergence comparable to the classical DeepONet method.

研究の動機と目的

• 2D 演化 PDE の入力次元が古典的 DeepONet の課題となる場合に、効率的な演算子学習を動機づける。
• パラメータ数を削減しつつ精度を損なわないハイブリッド量子アーキテクチャを提案する。
• 高次元入力を量子サブネット間で整合させるためのサブネット間注意機構を組み込む。
• 2D アドベクションと 2D Burgers 方程式での有効性を実証する。
• NISQ 時代の量子設定における現実的な考慮事項と制限を論じる。

提案手法

• 高次元入力をブロックごとに学習するハイブリッド量子層のスタック型ブランチネットワークを用いる。
• 少数のパラメータで局所的なサブネット間相互作用を捉える Toeplitz バンディッド行列を用いたサブネット間注意を適用する（k 個の学習可能パラメータ）。
• 空間-時間入力（x, y, t）をブランチ網と同じ基底に写像する単一のハイブリッド量子層を持つトランキング网络を採用する。
• ブランチ特徴とトランキング特徴の要素ごとの内積によって出力を計算する。
• 角度符号化と様々な回路トポロジー（最近接近neighbor、全結合、サーキットブロック）を用いて、表現力とハードウェアコストのバランスを取る。

実験結果

リサーチクエスチョン

• RQ1 Quantum AS-DeepOnet は、訓練可能パラメータを減らしつつ 2D 演化 PDE に対して古典的 DeepONet と同等の精度を達成できるか。
• RQ2 異なる量子回路構造（最近接近、全結合、サーキットブロック）が 2D PDE 演算子学習の精度とパラメータ効率にどのように影響するか。
• RQ3 クロスサブネット注意は高次元ブランチ出力を統一的な演算子表現へ統合する際に有効か。
• RQ4 現在のシミュレータやハードウェアで量子強化 DeepONet を展開する際の実用的な訓練・推論の考慮事項は何か。

主な発見

Method	Advection (Params)	Advection Relative L2 Error (%)	Advection Last Loss	Burgers (Params)	Burgers Relative L2 Error (%)	Burgers Last Loss
Circuit-block	13292	3.38e-02	3.09e-04	14342	4.36e-02	5.89e-06
Nearest-neighbour	13392	7.60e-02	1.52e-03	14442	5.45e-02	8.76e-06
All-to-all	14292	3.51e-02	3.60e-04	15342	3.31e-02	3.22e-06
Classical Model 1	24251	3.42e-02	3.17e-04	24251	8.44e-02	3.05e-04
Classical Model 2	14051	9.08e-02	2.17e-03	14051	2.02e-05	2.02e-05

• Quantum AS-DeepOnet は 2D アドベクションと Burgers 方程式に対して、古典モデルと同等またはそれを上回る精度を達成する。
• アドベクションの場合、サーキットブロック、最近接近、全結合の構造は相対的な L2 誤差が比較的低く、最後の損失も控えめで、サーキットブロックは相対 L2 誤差を 3.38e-02 に達成。
• Burgers 方程式の場合、サーキットブロック構造は 4.36e-02 の相対 L2 誤差を達成し、全結合および最近接近も競争力を示す。
• 全体として、量子アプローチは古典モデルよりはるかに少ないパラメータで同等またはそれ以上の性能を達成（例：13292–15342 対 14051–24251）する。
• 結果は PennyLane シミュレータ上で得られ、データ変換とシミュレータの制限により古典 DeepONet より訓練が遅い。