Neural Quantum Spectral Operator Learning for Solving Partial Differential Equations¶

会议: NeurIPS 2026
arXiv: 2605.27408
领域: 物理/科学计算
关键词: 算子学习, 变分量子线性求解器, 勒让德-伽辽金方法, 谱方法, 偏微分方程

一句话总结¶

针对变分量子线性求解器在求解参数化偏微分方程时固有的符号模糊性与实例受限瓶颈，NVQLS 结合勒让德-伽辽金弱形式，构建了相位感知量子态重叠目标与经典神经参数嵌入，实现了无需预计算真值解的高效无监督量子谱算子学习。

研究背景与动机¶

参数化偏微分方程（PDE）在流体力学、传热传质、波动物理及不确定性量化等科学计算领域占据核心地位，但传统数值网格求解器在面对反复评估的多源项或变系数场景时面临极高的计算开销。近年来以 FNO 和 DeepONet 为代表的经典算子学习方法通过学习解算子映射实现了毫秒级代理推断，然而它们高度依赖高保真求解器生成的大规模输入-输出配对数据集，数据获取成本高昂。虽然基于无监督或物理信息的方法（如 PI-DON、SCLON）摆脱了标签依赖，但在高维空间下基于自动微分的点态采样效率暴跌，而在谱系数空间展开的方法则随着基函数项数 \(N\) 在 \(d\) 维几何下的指数膨胀导致网络尺寸与计算内存达到 \(\mathcal{O}(N^{2d})\) 瓶颈。

与此同时，量子计算为突破科学计算的“维度灾难”提供了全新范式。早期 HHL 算法虽证明在线性方程组求解中具有对数级多项式加速，但其对高容错量子硬件和复杂子程序的苛刻要求使其在当前含噪声中等规模量子（NISQ）时代难以落地。变分量子线性求解器（VQLS）作为硬件友好的启发式替代方案，采用参数化量子线路逼近线性代数方程，但传统 VQLS 面临两个致命局限：一方面，标准 VQLS 损失函数建立在能量投影期望或保真度绝对值平方上，存在天然的全局相位不可辨识性，导致输出量子态出现符号反转与反射伪解；另一方面，VQLS 和量子 PINN 属于实例特异型求解器，换用一个新外力场或系数就必须重新运行完整变分优化，无法像神经算子那样实现多输入算例的零样本前向推断。

针对上述瓶颈，本文切入的角度是将正交勒让德-伽辽金弱形式与量子变分优化有机融合，提出神经变分量子线性求解器（NVQLS）。核心 idea：将偏微分方程离散弱形式转化为保符号的线性系统，提出相位感知态重叠目标以数学消除解的反射反转伪影，并设计经典神经嵌入网络将连续外力场与 PDE 参数压缩映射为浅层量子变分线路参数，构建无标签依赖且具对数多项式复杂度优势的混合无监督量子谱算子学习范式。

方法详解¶

整体框架¶

NVQLS 旨在学习一个从外力场 \(f(\mathbf{x})\) 和 PDE 物理系数（如扩散系数 \(\epsilon\)、波数 \(k^2\)）到解场谱展开系数 \(\boldsymbol{\alpha}\) 的非线性解算子映射。整个框架在离散谱系数空间中完全无监督地闭环运行，包含四个核心流水线阶段：勒让德-伽辽金弱形式离散化、经典神经角度嵌入、浅层量子参数化线路态制备，以及基于可对易泡利分组测量的相位感知损失评估。

在输入端，外力场被映射为前向勒让德投影向量 \(\mathbf{F}\)，并与物理系数一同输入到经典全连接或卷积角度网络 \(g(\mathbf{w}; f, k)\) 中；角度网络直接输出极紧凑的量子线路旋转角向量 \(\boldsymbol{\theta}\)；随后参数化量子线路 \(V(\boldsymbol{\theta})\) 在量子态空间上制备出对应的归一化谱解候选态 \(|\hat{\alpha}\rangle\)；最后，基于离散微分矩阵 \(A\) 与 \(A^\dagger A\) 的可观测泡利分解，在量子电路上通过直接重叠投影评估无监督弱形式残差并反向传播更新经典网络权重。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    IN["PDE 实例输入<br/>外力项 f(x) 与物理参数 k, ε"] --> WEAK["1. 勒让德-伽辽金弱形式离散<br/>刚度 S / 质量 M 矩阵与谱投影 F"]
    WEAK --> NE["2. 神经参数嵌入网络<br/>多实例投影至对数量子线路角 θ"]
    NE --> PQC["3. 紧凑变分量子线路<br/>硬件高效态制备预测谱解 |α̂⟩"]
    PQC --> POL["4. 相位感知态重叠优化<br/>实部约束消除反射符号模糊"]
    POL --> GRP["5. 可对易泡利算子测量分组<br/>压缩线路评估次数并更新经典权重"]
    GRP --> OUT["物理连续解场解析重建<br/>û(x) = Σ α̂ₖ ϕₖ(x)"]

关键设计¶

1. 勒让德-伽辽金弱形式谱代数系统的量子化离散：将连续方程转化为良态紧凑算子

在有界域 \(\Omega = [-1, 1]^d\) 上，标准物理信息方法采用逐点自动微分，在高维下梯度方差大且采样极其低效。NVQLS 采用谱勒让德-伽辽金弱形式，选取由紧凑勒让德多项式组合而成的基函数 \(\phi_k(x) = L_k(x) + a_k L_{k+1}(x) + b_k L_{k+2}(x)\)，其中系数 \(a_k, b_k\) 严格解析满足齐次狄利克雷、诺伊曼或混合边界条件。解场表示为有限级数展开 \(u(x) \approx \hat{u}(x) = \sum_{k=0}^{N-1} \hat{\alpha}_k \phi_k(x)\)。通过对弱形式双线性项分部积分，将二阶连续微分方程严格离散为线性代数方程组 \(A \boldsymbol{\alpha} = \mathbf{F}\)。其中刚度矩阵 \(S_{kj} = \int \phi_j'' \phi_k \, dx\) 严格对角化，质量矩阵 \(M_{kj} = \int \phi_j \phi_k \, dx\) 严格五对角对称化，大幅压缩了谱矩阵的非零元带宽。对于二维区域，多维基函数由一维正交基张量积构成，系统矩阵由克罗内克积 \(A = -\epsilon (S \otimes M + M \otimes S) + M \otimes M\) 精确表达，使得算子能够直接在 \(n = \lceil \log_2 N^d \rceil\) 个量子比特的希尔伯特空间上进行泡利张量分解 \(A = \sum_{l=1}^L c_l A_l\)。

2. 神经参数嵌入：克服传统量子线路单实例局限的混合多尺度映射

传统 VQLS 或量子 PINN 每次遇到新的外力项 \(f(x)\) 都必须从头优化全部量子门参数，缺乏跨样本泛化能力；若采用单纯的量子数据重上传（Data Re-uploading），线路深度与纠缠门数随样本量呈爆发式增长且极易陷入贫瘠高原（Barren Plateaus）。NVQLS 提出神经嵌入（Neural Embedding）架构，使用经典神经网络 \(g(f^{(i)}; \mathbf{w})\) 充当“量子门参数生成器”。对于输入的外力函数，经典网络提取全局多尺度特征，并将高维输入直接降维压缩为长度仅为 \(\mathcal{O}(n) = \mathcal{O}(\log^2 N^d)\) 的紧凑参数空间 \(\boldsymbol{\theta}^{(i)}\)。随后，浅层变分量子线路（仅需 2 到 15 层 Strongly Entangling 或硬件高效 RY 线路）依据参数 \(\boldsymbol{\theta}^{(i)}\) 制备解量子态 \(|\hat{\alpha}(f^{(i)}; \mathbf{w})\rangle = V(g(f^{(i)}; \mathbf{w})) |0\rangle\)。这种经典主导特征提取、量子负责高维 Hilbert 空间酉演化的混合分工，不仅使经典反向传播摆脱了高维谱系数全连接层，更让极浅的量子变分线路能够兼顾数百个未知 PDE 测试用例的高精度零样本泛化。

3. 相位感知态重叠目标：消除能量最小化中的符号与反射伪解

传统 VQLS 的目标函数最小化归一化残差态的投影能量或保真度绝对值平方 \(| \langle F | \psi \rangle |^2\)，其中 \(|\psi\rangle = A|\hat{\alpha}\rangle / \sqrt{\langle \hat{\alpha}|A^\dagger A|\hat{\alpha}\rangle}\)。这种能量形式对全局相位完全钝化，只要预测态满足 \(|\psi\rangle = e^{i\theta} |F\rangle\) 即可使损失归零。在数值物理问题中，量子态实部系数代表具体的物理场解（如正向流动与反向流动、正负波峰），相位反转或任意复数旋转会导致真实物理重构场彻底产生坐标轴反射伪影（如图 2 所示的反向解）。为解决这一问题，NVQLS 基于柯西-施瓦茨不等式在复单位圆盘上的几何约束，提出直接最大化量子态重叠的纯实部 \(\text{Re}\langle F | \psi \rangle = 1\)。因为当且仅当实部严格等于 1 时，由 \(|\text{Re}\langle F | \psi \rangle|^2 + |\text{Im}\langle F | \psi \rangle|^2 \le 1\) 必然推出虚部严格为 0，从而以零额外虚部测量代价严格锁死了正负物理符号。实际计算中，该损失构建为无量纲的实部分数形式：

\[ \mathcal{L}_{\mathrm{NVQLS}}(\mathbf{w}) = \frac{1}{D}\sum_{i=1}^{D}\left(1 - \frac{\mathrm{Re}\left(\sum_{l=1}^{L}c_{l}\langle F^{(i)}|A_{l}|{\hat{\alpha}(f^{(i)};\mathbf{w})}\rangle\right)}{\sqrt{\sum_{l=1}^{R}d_{l}\langle\hat{\alpha}(f^{(i)};\mathbf{w})|A_{l}|\hat{\alpha}(f^{(i)};\mathbf{w})\rangle}}\right) \]

4. 泡利算子对易测量分组与自适应截断：降低量子采样复杂度

在标准 VQLS 评估中，双重求和结构需要 \(\mathcal{O}(L^2)\) 次受控酉门与阿达马测试线路，线路深度与相干时间要求极高。NVQLS 的线性态重叠结构将泡利算子转化为仅在量子线路末端执行的投影可观测量。基于泡利代数的相互对易性（QWC 或共面基变换），算法将相互对易的泡利串归入同一测量组同时测量，使得分母与分子的单次损失评估电路数从几何级数压缩至 \(\mathcal{O}(N^d \log N^d)\)；进一步引入泡利系数降序截断算子 \(\tilde{A} = \sum_{l=1}^{L'} c_l A_l\)（仅保留系数大于指定阈值的首要项），在保证物理截断误差处于 \(10^{-3}\) 以内的前提下，测量线路总复杂度进一步降至对数级 \(\mathcal{O}(\log N^d)\)。

损失函数 / 训练策略¶

在具体数值优化中，分数形式的 \(\mathcal{L}_{\mathrm{NVQLS}}\) 在分母微小时可能面临数值抖动与梯度爆炸。因此，为了进一步增强训练稳定性，NVQLS 在实际训练中引入二次代数等价非归一化目标：

\[ \hat{\mathcal{L}}_{\mathrm{NVQLS}}(\mathbf{w}) = \frac{1}{D}\sum_{i=1}^{D}\left(\mathrm{Re}\left(\sum_{l=1}^{L}c_{l}\langle F^{(i)}|A_{l}|{\hat{\alpha}(f^{(i)};\mathbf{w})}\rangle\right) - \sqrt{\sum_{l=1}^{R}d_{l}\langle{\hat{\alpha}(f^{(i)};\mathbf{w})}|A_{l}|{\hat{\alpha}(f^{(i)};\mathbf{w})}\rangle}\right)^2 \]

由于两式全局极小值点完全重合，该二次型目标消除了分母梯度奇点，带来更平滑的损失景观。优化全程结合经典反向传播与量子参数移位法则（Parameter-Shift Rule）或 SPSA，在 PennyLane 和 JAX 框架下采用二阶拟牛顿 L-BFGS 优化器，在极少迭代步数内实现快速收敛。

实验关键数据¶

主实验¶

论文在多类经典 1D 与 2D 偏微分方程（反应-扩散方程 RD、亥姆霍兹方程 Helmholtz、对流-扩散方程 CD、双曲波动方程 Wave）及联合输入任务上进行了全方位评测，测试集包含 200 个随机外力函数实例。同时与代表性无监督算子网络 PI-DON 进行了严谨对比。

PDE 问题与边界条件	网格基数 \(N\) (量子比特数 \(n\))	相对 \(L_2\) 误差 (Test Mean)	相对 \(L_2\) 误差 (Test SD)	相对 \(L_\infty\) 误差 (Test Mean)	相对 \(L_\infty\) 误差 (Test SD)
1D RD (Dirichlet)	32 (5)	\(1.4 \times 10^{-3}\)	\(1.7 \times 10^{-2}\)	\(1.5 \times 10^{-3}\)	\(1.7 \times 10^{-2}\)
1D Helmholtz (Neumann)	32 (5)	\(1.4 \times 10^{-2}\)	\(5.7 \times 10^{-2}\)	\(1.4 \times 10^{-2}\)	\(5.7 \times 10^{-2}\)
1D CD (Dirichlet)	32 (5)	\(4.9 \times 10^{-3}\)	\(3.5 \times 10^{-2}\)	\(4.9 \times 10^{-3}\)	\(3.1 \times 10^{-2}\)
1D Wave (Dirichlet)	16 (4)	\(1.6 \times 10^{-2}\)	\(5.6 \times 10^{-2}\)	\(1.1 \times 10^{-2}\)	\(4.0 \times 10^{-2}\)
2D RD (Dirichlet)	8 (6)	\(5.1 \times 10^{-3}\)	\(5.6 \times 10^{-3}\)	\(1.5 \times 10^{-2}\)	\(8.2 \times 10^{-3}\)
2D Helmholtz (Neumann)	8 (6)	\(3.0 \times 10^{-2}\)	\(4.1 \times 10^{-2}\)	\(3.2 \times 10^{-2}\)	\(4.1 \times 10^{-2}\)
2D CD (Dirichlet)	8 (6)	\(7.3 \times 10^{-3}\)	\(5.3 \times 10^{-3}\)	\(1.6 \times 10^{-2}\)	\(8.9 \times 10^{-3}\)
Joint Helmholtz (Dirichlet)	8 (6)	\(3.4 \times 10^{-3}\)	\(4.3 \times 10^{-3}\)	\(3.7 \times 10^{-3}\)	\(4.8 \times 10^{-3}\)

在时域双曲型波动方程对决中，即使在 200 个测试样本中挑选 NVQLS 表现最差的最极端样本（最大 MAE），其绝对误差分布依然稳定保持在 \(10^{-3}\) 数量级，整体时空解精度与波峰相位保真度依然全方位压制基线经典模型 PI-DON。

消融实验¶

为验证神经嵌入（NE）在跨实例泛化与浅层线路优化中的决定性作用，论文对比了无神经嵌入的顺序量子数据编码（Sequential Embedding）与量子数据重上传（Data Re-uploading, DRU）。

架构配置方案	线路深度 (Layers)	可训练参数量	训练样本数 \(D\)	泛化表现与收敛状态
NVQLS w/ NE (默认深度)	10	7,780	50	完美收敛，200 测试样本相对 \(L_2\) 误差稳定在 \(10^{-3}\)
NVQLS w/ NE (超轻量)	2	1,148	50	快速稳定收敛，测试误差优于参数量相当的深度纯量子基线
Sequential VQLS 基线	100	~1,200	20 / 50 / 100	随着样本数增加优化难度陡增，无法拟合跨实例算子
Data Re-uploading (DRU) 基线	100	~1,200	20 / 50 / 100	深层线路梯度消失，训练与测试损失居高不下且泛化发散

在理论与计算复杂度缩放对比中，NVQLS 与经典无监督算子网络及传统 VQLS 表现出根本性差异：

模型方案	单次迭代时间复杂度	单次迭代内存复杂度	多实例求解范式
SCLON (经典谱神经算子)	\(\mathcal{O}(N^{2d})\)	\(\mathcal{O}(N^{2d})\)	一次训练，通用推断
PI-DON (经典物理信息 DeepONet)	\(\mathcal{O}(N^{2d})\)	\(\mathcal{O}(N^{2d})\)	一次训练，通用推断
标准 VQLS (量子线性求解器)	\(\mathcal{O}(N^{2d}(\log N^d)^5 / \epsilon^2)\)	\(\mathcal{O}((\log N^d)^2)\)	单实例重优化，耗时随样本数 \(D\) 线性累积
NVQLS (本文方法，完整)	\(\mathcal{O}(N^d (\log N^d)^4 / \epsilon^2)\)	\(\mathcal{O}(N^d (\log N^d)^2)\)	一次训练，通用推断
NVQLS (本文方法，截断泡利逼近)	\(\mathcal{O}((\log N^d)^4 / \epsilon^2)\)	\(\mathcal{O}(N^d (\log N^d)^2)\)	一次训练，通用推断

关键发现¶

神经嵌入的降维杠杆效应：纯量子变分线路直接拟合多实例算子时极易遭遇优化瓶颈；而经典神经嵌入充当了低维参数投影器，将外力空间映射为 \(\mathcal{O}(\log^2 N^d)\) 维的控制角，使得仅需 2 层线路即可完成高质量谱态拟合。
相位约束杜绝反射误差：如果不加相位修正，传统 VQLS 得到的基函数解有高达 50% 概率出现全场反向或轴对称翻转伪解；实部约束以 0 冗余度测算彻底杜绝了该现象。
泡利算子稀疏截断的可行性：由于勒让德多项式的高阶正交衰减性，对谱矩阵泡利项按幅值截断后，非零测度项数量从 \(\mathcal{O}(N^d \log N^d)\) 锐减至 \(\mathcal{O}(N^d)\)，对应所需独立测量线路数仅呈对数 \(\mathcal{O}(\log N^d)\) 增长，而物理重构误差仍严密控制在 \(10^{-3}\) 以内。

亮点与洞察¶

弱形式驱动的保真闭环：传统量子 PINN 需要复杂的量子自动微分（QAD）计算高阶时空导数，极易放大硬件噪声。NVQLS 巧妙利用勒让德弱形式分部积分，将所有微分算子转移到经典预计算的正交基函数刚度与质量矩阵中，量子处理器只需承担纯粹的态重叠内积求值，大幅降低了硬件执行门槛。
经典与量子的功能解耦与协同：经典神经网络负责处理非线性、连续域以及多变外力项的特征提炼，量子线路则发挥指数态空间的线性代数幺正演化优势，两者通过极紧凑的旋转角接口咬合，给混合量子算法设计提供了范本。
参数解耦实现的算子级复用：在处理变参数亥姆霍兹方程（\(\Delta u + k^2 u = f\)）时，框架将常数算子与变系数算子分解为 \(B + k^2 C\)，泡利分解仅需在初始化时执行两次，成功化解了以往变参数 PDE 需要随参数频繁重构量子哈密顿量的痼疾。

局限与展望¶

基函数扩展维度的可扩展性测试：当前数值实验主要在 4 至 6 量子比特（对应 1D 32 基函数、2D 8×8 基函数）的经典量子模拟器（PennyLane + JAX）上验证，尚未在真实超导或离子阱量子硬件上进行含噪声量子执行（NISQ 噪声鲁棒性有待检验）。
几何域适应性受限：勒让德谱方法高度依赖正交张量积域（如一维区间 \([-1, 1]\) 或二维矩形框），对于非规则复杂工程几何域（如翼型、多孔多连通介质），该弱形式离散与量子张量积态映射需要额外引入复杂的保角变换或谱元法分解。
算子非线性拓展：目前框架针对的是二阶线性偏微分方程算子。尽管可通过牛顿迭代或皮卡迭代展开处理弱非线性问题，但如何直接在量子态层面构建强非线性对流项的弱形式重叠算子仍是开放性难题。

评分¶

新颖性: ⭐⭐⭐⭐⭐ [首创将勒让德-伽辽金弱形式引入量子算子学习，并彻底解决了 VQLS 的符号反转盲区]
理论深度: ⭐⭐⭐⭐☆ [给出了严谨的柯西-施瓦茨实部态重叠证明与详尽的对数多项式复杂度推导]
实验充分度: ⭐⭐⭐⭐☆ [覆盖 1D/2D 反应扩散、对流扩散、亥姆霍兹与波动方程，但缺乏真实量子硬件部署]
实用价值: ⭐⭐⭐⭐☆ [为无监督科学计算提供了一条极具前景的浅层量子线路求解方案]