Toneedlesstotheright,theneedleontheleftoftherightneedlemovingtonext CV-QFNO：求解偏微分方程的连续变量量子傅里叶神经算子

《Entropy》：Continuous-Variable Quantum Fourier Neural Operator for Solving Partial Differential Equations

　　

傅里叶神经算子（Fourier Neural Operator, FNO）已成为学习偏微分方程（Partial Differential Equation, PDE）解算子的核心工具，但其谱层仍完全基于经典架构并依赖数字傅里叶处理。在本工作中，研究人员提出了连续变量量子傅里叶神经算子（Continuous-Variable Quantum Fourier Neural Operator, CV-QFNO），一种FNO谱层的高斯光子学（Gaussian photonic）表述形式。所提出的架构将傅里叶域算子学习的核心操作——傅里叶变换（Fourier Transformation）、模式选择（mode selection）和通道混合（channel mixing）——映射到原生的连续变量光量子基元上。通过这种方式，CV-QFNO为经典FNO底层截断谱机制提供了光子学量子类比，同时避免了基于量子比特（qubit）的量子FNO构造中产生的编译开销和谱失配问题。研究人员将该框架扩展至一维和二维算子学习，并在标准PDE基准上进行了验证，包括Burgers方程、热方程、Navier-Stokes动力学和Darcy流。结果表明，所提出的模型在保持傅里叶神经算子的预测精度、分辨率泛化性和谱归纳偏置的同时，使用了结构受限的光子参数化。由于所有实验均以经典模拟形式进行，其贡献应被理解为光子神经算子的架构与算法蓝图，而非量子计算优势的展示。

本研究旨在为傅里叶神经算子的谱层构建一种基于连续变量（Continuous-Variable, CV）量子计算的光子学类比架构，以解决基于量子比特的量子傅里叶神经算子（QFNO）在硬件编译开销和谱结构失配方面的固有限制。在科学计算与物理系统建模中，偏微分方程的数值求解在涉及重复模拟、实时预测、不确定性量化或高维参数研究时计算成本极高，这推动了神经网络算子等基于学习的代理模型的发展。其中，傅里叶神经算子通过在傅里叶空间参数化解算子的非局部部分而具有重要影响。然而，现有QFNO架构存在两大局限：其一，可重构分束器（Reconfigurable Beam Splitter, RBS）门并非标准量子比特硬件的原生操作，编译为初等单双量子比特门时引入大量纠缠门开销，使完整QFNO电路超出近期量子设备的实现能力；其二，并行QFNO构造未能精确复现经典FNO的截断谱作用，非保留模式在量子态中未被置零而保持不变，导致与经典FNO层存在系统性谱失配。连续变量量子计算以玻色模式携带信息并通过高斯操作处理，为上述问题提供了自然解决框架。

研究人员开展了以下研究：构建了CV-QFNO的一维和二维架构，将傅里叶变换、模式选择和通道混合映射到连续变量光学基元；通过零透射率损耗通道消除非保留模式以修复谱失配；采用矩阵指数参数化正交谱混合矩阵；在Burgers方程、热方程、Navier-Stokes动力学和Darcy流四个标准PDE基准上，对FNO、QFNO和CV-QFNO进行数值对比验证。研究结论表明，CV-QFNO能够以显著减少的可训练参数（约减少4倍）保持与经典FNO相当的预测精度和分辨率泛化行为，并严格复现经典FNO的截断谱结构，其正交约束起到隐式正则化作用以稳定优化轨迹并防止过拟合。该论文发表于《Entropy》。

为实现上述目标，研究人员采用了以下主要关键技术方法：以双分区高斯态编码将潜场矩阵嵌入协方差结构，利用双模压缩器-奇异值分解（TMS-SVD）加载潜变量；通过Cooley-Tukey光学量子傅里叶变换电路实现谱变换；以零透射率损耗通道执行模式截断；利用金字塔型干涉仪实现跨通道可训练正交混合；采用矩阵指数参数化保持正交性；所有实验均为PyTorch 2.7.0平台上对高斯变换的经典模拟，样本队列来源于标准PDE基准的公开数据集或数值生成数据。

在一维实验中，研究人员以Burgers方程和热方程为基准验证了CV-QFNO的性能。Burgers方程结合非线性对流与粘性扩散，可能产生尖锐解特征；热方程则为线性纯扩散问题，其傅里叶系数随时间指数衰减。模型输入为初始条件与位置特征拼接，目标为最终时刻的标量场。所有模型使用512点均匀网格、32维潜通道，512对训练样本和100对测试样本，经300个epoch训练。结果显示：在Burgers方程上，FNO、QFNO和CV-QFNO的收敛测试误差分别为4.84±0.36×10^-3、5.16±0.18×10^-3和5.34±0.25×10^-3，量子启发模型参数减少至约29%，且FNO的优化过程对随机初始化敏感度约为正交模型的4倍；在热方程上，FNO出现明显过拟合（测试误差4.19±0.68×10^-3），而QFNO和CV-QFNO分别达到3.26±0.21×10^-3和3.82±0.15×10^-3，表明正交约束的隐式正则化 fundamental 作用。分辨率泛化测试表明，三者在未见分辨率上均保持竞争力。谱分析证实CV-QFNO与FNO一致地施加硬截断，而QFNO在截断频率外存在残留激活。

在二维实验中，研究人员以Navier-Stokes方程（涡量形式）和Darcy流为基准。Navier-Stokes采用时间步进设定，输入为10个连续涡量场快照拼接空间坐标，目标为下一时间步涡量，使用128×128网格、32维通道、1000对训练样本，训练100个epoch；Darcy流为静态椭圆问题，输入为渗透率场拼接空间坐标，目标为压力场，使用64×64网格、32维通道、450对训练样本，训练150个epoch。结果显示：在Navier-Stokes上，三模型收敛误差统计等价（FNO为5.64±1.98×10^-3，QFNO为6.14±2.11×10^-3，CV-QFNO为5.93±1.85×10^-3），量子启发模型参数减少至约24%；在Darcy流上，FNO误差为7.06±1.11×10^-3，QFNO和CV-QFNO分别为10.45±2.35×10^-3和10.79±2.01×10^-3，正交模型未完全匹配FNO精度，但优化稳定性更优。

在讨论部分，研究人员强调实验结果应被理解为CV-QFNO框架的架构与算法验证，而非量子计算优势的展示。所有数值实验均为经典模拟，利用高斯态协方差矩阵的高效经典描述，在GPU上执行矩阵代数运算。该工作的价值不在于在传统硬件上超越经典神经算子，而在于证明FNO的谱机制存在连贯的CV光子学表述：傅里叶变换、模式选择和通道混合均直接对应光学操作，其中零透射率损耗通道为经典FNO模式置零步骤提供了原理性光子学对应物，解决了QFNO的谱失配问题。数值结果表明，CV-QFNO在1D和2D基准上达到了与FNO和QFNO相当的预测精度，同时参数大幅减少。然而，这一参数减少源于正交约束和精确谱截断的算法选择，而非CV光子学形式本身引入新机制；在当前模拟中，量子与光子操作均通过经典线性代数模拟，因此不应被解释为壁钟加速。CV-QFNO的实际意义在于那些经典模拟无法触及的场景：当问题本身具有连续变量或量子特性时，该架构可直接作用于物理量子态，利用寄存器间的纠缠和非高斯资源实现超出高斯模拟能力的光谱交互，可能为量子算子学习开辟新途径。此外，硬件可实现性仍是重大挑战：尽管消除了量子比特形式的纠缠门编译开销，但所需光学模式数、并行分支、高斯变换、损耗通道和读出阶段对当前集成光子学技术构成严峻实验挑战；且训练仍为混合过程，需考虑数据制备、读出和经典优化的综合成本。对于所考虑的经典PDE基准，标准FNO仍是实用选择，本工作的核心意义在于概念层面——建立了FNO谱层的忠实CV光子学蓝图，并阐明了量子-光子算子学习架构如何复现经典模型的截断傅里叶归纳偏置。

研究结论部分翻译如下：本工作提出了连续变量量子傅里叶神经算子（CV-QFNO），即经典傅里叶神经算子谱层的高斯光子学类比。基于双分区高斯编码和光学量子傅里叶变换，CV-QFNO将潜场表示为高斯态的协方差结构，并将傅里叶域处理、模式选择和通道混合映射到原生的连续变量光学操作上。主要架构贡献是一个CV谱混合层，它恢复了经典FNO的截断谱结构。在一维设定中，每个保留的傅里叶模式在独立光学分支中处理：非选择模式通过零透射率损耗通道去除，而金字塔型干涉仪在通道维度上施加可学习正交变换。该构造随后通过交叉电路干涉仪耦合扩展至二维空间，提供了相同模式原理的光子学泛化。该表述解决了基于量子比特QFNO的两个局限性：其一，避免了与RBS门相关的编译开销，因为相应变换在CV设定中是原生线性光学操作；其二，通过零透射率损耗通道直接抑制非选择模式，消除了并行QFNO架构中保留模式的谱失配，从而恢复了定义经典FNO层的硬谱截断。研究人员还引入了谱混合矩阵的矩阵指数参数化，在保持与Givens构造相同可训练参数数量的同时，避免了经典训练中显式顺序旋转乘积。在Burgers、热传导、Navier-Stokes和Darcy流基准上的数值实验表明，CV-QFNO在达到与FNO和QFNO相当预测精度的同时，比经典FNO使用了显著更少的可训练参数；谱诊断证实了CV构造的关键结构特征：CV-QFNO复现了经典FNO谱的硬截断，而QFNO在选定模式之外保留了残留激活。总体而言，CV-QFNO提供了傅里叶域算子学习的连贯高斯光子学表述。本工作并非展示即时计算优势，而是定义了光子神经算子的架构蓝图。最有前景的未来方向涉及输入数据本身为光学或量子性质的场景：对于原生光学输入，光子CV-QFNO实现可直接作用于入射场，减少或绕过模数转换和经典编码开销；对于本质量子输入，双分区CV架构可直接作用于态层级关联。