arXiv:2606.20326v1 cs.LG

편미분 방정식(PDE)을 위한 양자-고전 물리 정보 기반 Kolmogorov-Arnold 네트워크

Quantum-classical physics-informed Kolmogorov-Arnold networks for PDEs

Xiang Rao, Yuxuan Shen

제출 2026-06-18

한국어 초록

편미분 방정식(PDE)을 풀기 위해 설계된 최초의 양자-고전 물리 정보 기반 Kolmogorov-Arnold 네트워크인 QCPIKAN을 개발합니다. 체비셰프 다항식 KAN 층과 매개변수화된 양자 회로를 기반으로 구축된 이 하이브리드 프레임워크는 물리적 일관성을 보장하기 위해 학습 손실(training loss)에 물리적 제약 조건을 내장합니다. 근사 이론에 기반한 이론적 연구를 통해, 이 설계가 고주파 오차 수렴(convergence)을 지수적 속도로 가속화하고 수치 분산을 효과적으로 완화함을 입증합니다. 단상 유동, 성분 수송(component transport), 이상 유동을 포함한 다공질 매체의 세 가지 전형적인 침투 시나리오에서 해당 프레임워크를 검증합니다. 기존 양자-고전 물리 정보 기반 신경망과 비교했을 때, QCPIKAN은 전역 예측 정확도, 국소 오차 제어, 동적 진화 추적, 변위 전선 국소화 측면에서 우수한 성능을 보여줍니다. 본 연구는 복잡한 편미분 방정식(PDE)을 해결하기 위한 강건하고 효율적인 대안을 제공합니다.

원문 초록

We develop QCPIKAN, the first quantum-classical physics-informed Kolmogorov-Arnold network designed to solve partial differential equations (PDEs). Built upon Chebyshev-polynomial KAN layers and parameterized quantum circuits, this hybrid framework embeds physical constraints into the training loss to enforce physical consistency. Our theoretical investigations grounded in approximation theory prove that this design accelerates high-frequency error convergence to an exponential rate and effectively mitigates numerical dispersion. We validate the framework across three typical seepage scenarios in porous media, including single-phase flow, component transport and two-phase flow. Compared with existing quantum-classical physics-informed neural networks, QCPIKAN achieves superior performance in global prediction accuracy, local error control, dynamic evolution tracking and displacement front localization. This work provides a robust and efficient alternative for solving complex PDEs.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.20326v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2512.12074v2cs.LG공통 태그 Kolmogorov-Arnold Networks, physics-informed neural networks

무한 영역에서의 샘플링 전략 및 물리 정보 기반 콜모고로프-아놀드 네트워크 평가

Evaluation of Sampling Strategies and Physics-Informed Kolmogorov--Arnold Networks in Unbounded Domains

물리 정보 기반 신경망(PINN)은 학습(training) 과정에 물리 법칙을 통합함으로써 편미분 방정식(PDE)을 해결하는 효과적인 접근 방식으로 부상했습니다. 그러나 유한한 수의 학습 점으로 비유계(unbounded) 영역을 표현하는 것의 어려움으로 인해, 무한 및 반무한 영역에 대한 적용은 여전히 난제로 남아 있습니다. 본 연구는 무한 영역에서의 역(inverse) PDE 문제를 위한 물리 정보 기반 학습 전략을 평가하며, 균등(uniform), 가우시안(Gaussian), 지수(exponential) 분포 기반 샘플링 전략의 영향과 PINN 프레임워크 내에서 기존 다층 퍼셉트론(MLP) 및 콜모고로프-아놀드 네트워크(KAN)의 활용에 초점을 맞춥니다. 제안된 벤치마크는 무한 및 반무한 영역에서의 인공적인 역문제를 고려하여 재구성 정확도와 계산 효율성에 대한 정량적 평가를 가능하게 합니다. 실험 결과에 따르면 명시적 분포 매개변수로 제어되는 가우시안 및 지수 샘플링은 원거리 장(far field)에서의 재구성 정확도를 향상시키며, 문제 특화된 사전 지식을 학습에 임베딩(embedding)하는 직접적인 메커니즘을 제공합니다. 에지 기반 함수 표현이 콜모고로프-아놀드 표현 정리에 기반한 PIKAN은 더 적은 뉴런을 요구하면서도 MLP 기반 PINN의 정확도와 일치하거나 이를 능가하지만, 스플라인 기반 공식화로 인해 학습, 추론(inference), 도함수(derivative) 계산의 연산 비용이 증가합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.