用于降阶偏微分方程预测的带物理信息修正的量子储备池计算
Quantum Reservoir Computing with Physics-Informed Correction for Reduced-Order PDE Forecasting
- Fractal Analytics（分形分析公司）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
该研究提出结合量子储备池计算（QRC）与物理信息修正器（PIC）的混合架构，用于降阶偏微分方程预测，在KS混沌基准上其误差指标优于单独QRC，为降阶预测提供了基准依赖的可行策略。
AI中文摘要：
我们研究了一种用于降阶偏微分方程（PDE）预测的混合方案——修正架构，其中纯态量子储备池计算机（QRC）预测潜系数动力学，基于物理信息的神经网络（PINN）的物理信息修正器（PIC）优化局部滚动窗口。该方法在Burgers方程和Kuramoto–Sivashinsky（KS）方程上进行评估，其中KS作为主要混沌基准。在KS上，QRC+PIC在均方根误差（RMSE）、归一化均方根误差（NRMSE）和PDE残差上始终优于单独的QRC，而Burgers方程则凸显了简单基线仍保持较强性能的场景。这些结果表明，带局部物理信息修正的QRC方案是一种可行的、依赖于基准的降阶预测策略。
英文摘要：
We study a hybrid proposal--correction architecture for reduced-order PDE forecasting in which a pure-state quantum reservoir computer (QRC) predicts latent coefficient dynamics and a PINN-based physics-informed corrector (PIC) refines local rollout windows. The method is evaluated on Burgers and Kuramoto--Sivashinsky (KS), with KS as the primary chaotic benchmark. On KS, QRC+PIC consistently improves over QRC alone in RMSE, NRMSE, and PDE residual, while Burgers highlights a regime in which simple baselines remain strong. These results suggest that QRC proposals with local physics-informed correction are a viable benchmark-dependent reduced-order forecasting strategy.
