.png){kind=icon}
返回
Variational quantum latent encoding for topology optimization
.png){kind=icon}
PRE
AI
DOI：10.1007/s00366-025-02208-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一种结构拓扑优化的变分框架，该框架在基于坐标的神经解码架构中整合了量子与经典潜在编码策略。在此方法中，一个低维潜在向量（由变分量子电路生成或从高斯分布中采样）通过可学习的投影层映射到高维潜在空间。这一丰富表示随后被解码为高分辨率材料分布，解码过程使用一个神经网络，该网络将潜在向量和傅里叶映射的空间坐标作为输入。优化直接在潜在参数上进行，仅由基于物理学的目标（如柔顺性最小化和体积约束，通过有限元分析评估）引导，无需预计算数据集或监督训练。量子潜在向量由参数化量子电路测量的Pauli可观测量期望值构建，提供了一种结构化且纠缠的信息编码。经典基线使用以相同方式投影的高斯采样潜在向量。所提出的变分公式通过采样或扰动探索潜在空间，能够生成多样且物理有效的拓扑，而传统优化方法仅产生单一确定性解。数值实验表明，经典与量子编码均能产生高质量的结构设计。然而，在多个基准案例中，量子编码在柔顺性和设计多样性方面展现出优势。这些结果突显了量子电路作为有效且可扩展工具在受物理约束的拓扑优化中的潜力，并建议了在结构设计中应用近距量子硬件的可行方向。
Keyword:
Topology optimization
Deep learning
Neural network
Quantum computing
Latent vector
期刊
IF:
4.9
论文数:
2.7K
被引数:
9.3K
机构
引用论文
A novel design update framework for topology optimization with quantum annealing: Application to truss and continuum structures一种基于量子退火的新型拓扑优化设计更新框架：在桁架和连续体结构中的应用
OAAI
.png){kind=icon}
OAAI分享收藏Theoretical error performance analysis for variational quantum circuit based functional regression
OAAI
OAAI分享收藏分享收藏
查看更多内容