[论文解读] Hybrid quantum physics-informed neural networks for simulating computational fluid dynamics in complex shapes

Alexandr Sedykh, Maninadh Podapaka+4 more|arXiv (Cornell University)|Apr 21, 2023

Model Reduction and Neural Networks参考文献 64被引用 5

一句话总结

该论文提出了一种混合量子物理信息神经网络（HQPINN），通过将量子线路集成到经典物理信息神经网络中，提升了在复杂三维几何结构（如Y型混合器）中模拟层流流体流动的精度。HQPINN相较于纯经典PINN将损失降低了21%，展现出更强的表达能力，并在计算流体动力学的高效形状优化方面具有潜力。

ABSTRACT

Finding the distribution of the velocities and pressures of a fluid by solving the Navier-Stokes equations is a principal task in the chemical, energy, and pharmaceutical industries, as well as in mechanical engineering and the design of pipeline systems. With existing solvers, such as OpenFOAM and Ansys, simulations of fluid dynamics in intricate geometries are computationally expensive and require re-simulation whenever the geometric parameters or the initial and boundary conditions are altered. Physics-informed neural networks are a promising tool for simulating fluid flows in complex geometries, as they can adapt to changes in the geometry and mesh definitions, allowing for generalization across fluid parameters and transfer learning across different shapes. We present a hybrid quantum physics-informed neural network that simulates laminar fluid flows in 3D Y-shaped mixers. Our approach combines the expressive power of a quantum model with the flexibility of a physics-informed neural network, resulting in a 21% higher accuracy compared to a purely classical neural network. Our findings highlight the potential of machine learning approaches, and in particular hybrid quantum physics-informed neural network, for complex shape optimization tasks in computational fluid dynamics. By improving the accuracy of fluid simulations in complex geometries, our research using hybrid quantum models contributes to the development of more efficient and reliable fluid dynamics solvers.

研究动机与目标

• 解决传统CFD求解器（如OpenFOAM和Ansys）在模拟复杂参数化几何结构中的计算低效和高资源消耗问题。
• 克服经典求解器在几何结构或边界条件改变时需进行完整重网格化和重模拟的局限性。
• 探究混合量子物理信息神经网络（HQPINN）是否能够提升复杂三维域中流体流动模拟的精度与泛化能力。
• 评估量子增强神经网络在求解层流流动的纳维-斯托克斯方程时，是否能超越经典PINN的性能。
• 实现在略微修改的几何结构之间进行迁移学习，避免完全重新训练，从而支持工程设计中的快速优化。

提出的方法

• 该方法采用物理信息神经网络（PINN）架构，利用多层感知机近似纳维-斯托克斯方程的速度场和压力场。
• 将混合量子线路作为深度注入层集成到PINN中，其中量子参数通过经典量子模拟器（QMware服务器）上的伴随微分法进行优化。
• 损失函数结合了纳维-斯托克斯方程的残差和边界条件，通过100个周期的迷你批量Adam优化进行训练。
• 量子组件通过实现比纯经典网络更复杂的函数逼近，增强了模型的表达能力。
• 训练点采用固定网格采样策略，学习率、批量大小和学习率调度器等超参数在经典与混合模型之间保持一致，以确保公平比较。
• 通过在一种几何结构上预训练的模型，对稍作修改的几何结构进行微调，实现迁移学习，从而在无需完全重新训练的情况下实现快速适应。

实验结果

研究问题

• RQ1 混合量子物理信息神经网络（HQPINN）在模拟复杂三维几何结构中的层流流体流动时，是否能实现比经典PINN更高的精度？
• RQ2 将量子线路集成到PINN中，在几何变化下在多大程度上提升了模型的表达能力和泛化能力？
• RQ3 在Y型混合器中求解纳维-斯托克斯方程时，HQPINN相较于经典PINN在损失降低方面表现如何？
• RQ4 迁移学习是否能在HQPINN中有效应用，以实现对新几何结构的快速适应，而无需像经典求解器那样进行完整重模拟？
• RQ5 使用量子线路是否能缓解PINN在复杂边值问题中出现的梯度消失或收敛性差等问题？

主要发现

• HQPINN相较于纯经典PINN实现了21%的损失值降低，表明在纳维-斯托克斯方程求解中精度有显著提升。
• 将量子线路集成到PINN架构中增强了模型的表达能力，使其能够更优地逼近三维Y型混合器中的复杂流场。
• HQPINN展现出优越的泛化能力，通过迁移学习可实现对新几何结构的快速适应，且仅需极少的额外训练。
• 模型在不同几何参数（如角度α）下保持了稳定性能，损失随参数的逐步变化而持续降低。
• 在经典量子模拟器上使用伴随微分法实现了对量子线路层的有效反向传播，尽管存在硬件限制，仍使训练成为可能。
• 结果表明，混合量子PINN在精度上可超越经典模型，同时保留在高效处理几何与参数变化方面的灵活性。