Ushbu tadqiqot qovushqoq Burgers tenglamasini shovqinli oʻrta miqyosli kvant (Noisy Intermediate-Scale Quantum, NISQ) apparatida taxminiy yechishga urinadigan va kvantdan kelib chiqadigan xatolarni klassik diqqatga asoslangan graf neyron tarmogʻi yordamida kamaytiradigan gibrid kvant-klassik hisoblash doirasidir. Usulda nochiziqli Burgers tenglamasi avval Cole–Hopf almashtirishi orqali chiziqli diffuziya masalasiga aylantiriladi. Hosil qilingan diskret Cole–Hopf maydoni kvant holatining amplitudalariga kodlanadi; vaqt evolyutsiyasi eng yaqin qoʻshni ikki-qubitli \(R_{XX}\) eshiklaridan tashkil topgan Trotterlashtirilgan sxemalar orqali taxminiy amalga oshiriladi. Kvant oʻlchovlaridan qayta tiklangan tezlik maydonlari keyin klassik yuqori aniqlikdagi Krylov yechimi bilan taqqoslanadi. Yakuniy bosqichda QAGT-MLP deb ataladigan attentionga asoslangan graf modeli kvant sxemasining tuzilishi, sababiy lightcone ma’lumoti, global sxema xususiyatlari va shovqinli chiqishlardan foydalanib, klassik etalonga yaqinroq tuzatilgan maydon hosil qilishni oʻrganadi.

Tadqiqot faqat kvant simulyatoridan foydalanmaydi. Shovqinli Qiskit Aer simulyatsiyalari bilan bir qatorda haqiqiy IBM kvant apparatida ham sinovlar oʻtkazilgan. Kvant natijalari uch asosiy mezon boʻyicha baholanadi: klassik va kvant tezlik maydonlari oʻrtasidagi \(L_2\) xato, eng tik tezlik gradienti joylashuvidan aniqlanadigan shok joylashuvi va qovushqoq gradientlardan hisoblanadigan dissipatsiya darajasi. An’anaviy kvant xatosini kamaytirish usuli boʻlgan Zero-Noise Extrapolation (ZNE) ham taqqoslash bazasi sifatida qoʻllanadi.

Manbaning 1D umumlashtirilgan natijalarida QAGT-MLP muvaffaqiyati fazoviy aniqlikka kuchli bogʻliq. Yuqori qovushqoqlik guruhida manba 1-jadvaliga koʻra simulyatsiyaga nisbatan oʻrtacha yutuq \(N=16\), \(N=32\) va \(N=64\) uchun mos ravishda taxminan %39,6, %51,5 va %62,6; haqiqiy apparat chiqishiga nisbatan esa taxminan %40,2, %56,0 va %71,0 deb xabar qilinadi. Kichik qovushqoqlik guruhida yutuqlar pastroq, biroq manba 2-jadvalida baribir musbat. Shu bilan birga, ayrim alohida \(N=16\) misollarida model xatoni kamaytirish oʻrniga oshirgan. 2D 16×16 holatda MAE boʻyicha −%5,86, 3D 4×4×4 holatda esa −%3,26 yaxshilanish qayd etilgani usul har bir aniqlikda va har bir masalada avtomatik ravishda ustun emasligini aniq koʻrsatadi.

Bu natijalar kvant kompyuteri klassik CFDdan tezroq degan ma’noni anglatmaydi. Tadqiqot hisoblash murakkabligi boʻyicha ustunlik, wall-clock tezligi boʻyicha ustunlik yoki klassik yechuvchiga nisbatan “quantum advantage”ni koʻrsatmaydi. Klassik Cole–Hopf/Krylov yechimi bu yerda yuqori aniqlikdagi etalon va mashinaviy oʻrganish maqsadi sifatida ishlatiladi. Tadqiqot koʻrsatadigan asosiy natija shuki, muayyan NISQ Burgers masalalari sinflarida kvant shovqini buzgan yechimlarni sxema tuzilishidan ham foydalanadigan oʻrgatilgan klassik tuzatuvchi yordamida klassik etalonga sezilarli darajada yaqinlashtirish mumkin.

Avval asosiy tushuncha: Burgers tenglamasi nima?

Burgers tenglamasi nochiziqli koʻchirish bilan qovushqoq diffuziyani bitta matematik modelda birlashtiradigan klassik xususiy hosilali differensial tenglamadir. U suyuqliklar mexanikasidagi Navier–Stokes tenglamalarining barcha murakkabligini oʻzida mujassam etmaydi; biroq nochiziqli adveksiya, keskin gradient va shokga oʻxshash tuzilmalarning hosil boʻlishi kabi muhim xatti-harakatlarni oʻz ichiga olgani uchun sonli usullar va kvant PDE yechuvchilarini sinashda foydalidir.

Tadqiqotdagi 1D qovushqoq Burgers tenglamasi:

\[ \frac{\partial u}{\partial t} + u\frac{\partial u}{\partial x} = \nu\frac{\partial^2u}{\partial x^2}, \qquad \nu>0 \]

Formula nimani hisoblaydi? \(u(x,t)\) tezlik maydonining fazo va vaqt boʻyicha oʻzgarishini tavsiflaydi.

\(u(x,t)\): Manbada oʻlchamsiz tezlik maydonidir.

\(x\): Fazoviy joylashuv; asosiy 1D formulada \(x\in[0,1]\).

\(t\): Vaqt.

\(\nu\): Musbat qovushqoqlik parametridir.

\(\partial u/\partial t\): Tezlikning vaqt boʻyicha oʻzgarishini koʻrsatadi.

\(u\,\partial u/\partial x\): Nochiziqli adveksiya/koʻchirish hadi. “Nochiziqli” deyilishining asosiy sababi noma’lum \(u\) oʻzining fazoviy hosilasiga koʻpaytirilishidir.

\(\nu\,\partial^2u/\partial x^2\): Qovushqoq diffuziya hadi. Fazodagi keskin oʻzgarishlarni silliqlashga moyil.

Fizik jihatdan adveksiya hadi keskinlashishni, qovushqoqlik hadi esa silliqlanishni ifodalaydi. Kichik \(\nu\) qiymatlarida keskin gradientlarning hosil boʻlishi osonroq; kattaroq \(\nu\) qiymatlarida diffuziya ta’siri kuchayadi. Bu manbadagi parametrlar skanerlashida kichik qovushqoqlik holatlari nima uchun murakkabroq masala rejimini hosil qilishining sababidir.

Boshlangʻich va chegara shartlari

Manba asosiy usul boʻlimida ikki uchda Dirichlet tezlik chegara shartlaridan foydalanadi:

\[ u(0,t)=u_L,\qquad u(1,t)=u_R,\qquad t\ge0 \]

Boshlangʻich maydon:

\[ u(x,0)=u_0(x) \]

va sonli tajribalarda tipik misol sifatida:

\[ u_0(x)=\sin(\pi x) \]

beriladi. Parametrlarni skanerlashda chap chegara \(u_L\) oʻzgartirilganda oʻng chegara \(u_R=0\) saqlanadi.

Manba ichidagi nomuvofiqlik: Asosiy matn yuqoridagi \(+\sin(\pi x)\) boshlangʻich shartini va ikki uchdagi Dirichlet tezlik chegaralarini tavsiflaydi. Manbaning Qoʻshimcha 12-rasm chizmasida esa boshlangʻich funksiyaning ishorasi va ayrim “open boundary” yorliqlari asosiy matndagi ta’rifga toʻliq mos kelmaydi. Verianla bayonida asosiy tenglama yashirincha oʻzgartirilmagan va rasm–matn farqi manba ichidagi nomuvofiqlik sifatida saqlangan.

Cole–Hopf almashtirishi Burgers tenglamasini nega sezilarli darajada soddalashtiradi?

Cole–Hopf almashtirishi Burgers tenglamasidagi nochiziqli \(u\,u_x\) hadini bevosita kvant sxemasida yechishga urinish oʻrniga yangi \(\phi(x,t)\) maydonini ta’riflab, masalani chiziqli diffuziya tenglamasiga aylantiradi; shu tariqa tadqiqot kvant tomonida chiziqli evolyutsiyani taxminiy ifodalashga urinishi mumkin.

Cole–Hopf almashtirishi bosqichma-bosqich

Manba yangi skalyar \(\phi(x,t)\) maydonini ta’riflaydi:

\[ u(x,t) = -2\nu\frac{\partial}{\partial x}\ln\phi(x,t) = -2\nu\frac{\phi_x(x,t)}{\phi(x,t)} \]

Bu ifoda bir qarashda murakkab koʻrinsa-da, asosiy gʻoya shundan iborat: tezlik maydoni \(u\) bevosita kvant holatiga kodlanish oʻrniga avval \(\phi\) deb ataladigan yordamchi maydonga aylantiriladi.

Almashtirish Burgers tenglamasiga qoʻyilganda \(\phi\) uchun chiziqli issiqlik/diffuziya tenglamasi olinadi:

\[ \frac{\partial\phi}{\partial t} = \nu\frac{\partial^2\phi}{\partial x^2} \]

Shunday qilib, masala:

• avval: nochiziqli Burgers tenglamasi,
• keyin: chiziqli diffuziya tenglamasi

koʻrinishiga aylantiriladi.

Boshlangʻich \(\phi\) maydoni \(u_0(x)\) dan quyidagi bogʻlanish orqali olinadi:

\[ \phi_0(x) = \exp\left[ -\frac{1}{2\nu} \int_0^x u_0(y)\,dy \right] \]

Manba umumiy koʻpaytma koʻrinishidagi normallashtirish doimiysi \(u\) ni qayta tiklashga ta’sir qilmasligini ta’kidlaydi. Buning sababi \(u\) ning \(\phi_x/\phi\) nisbatidan hisoblanishidir; agar \(\phi\) doimiy koeffitsiyentga koʻpaytirilsa, ayni koeffitsiyent surat va maxrajda paydo boʻladi.

Fazo qanday diskretlashtiriladi?

Fazoviy soha \([0,1]\) \(N\) ta teng oraliqli grid nuqtasiga boʻlinadi:

\[ x_j=j\Delta x, \qquad j=0,1,\ldots,N-1, \qquad \Delta x=\frac{1}{N-1} \]

Bu yerda \(\Delta x\) qoʻshni grid nuqtalari orasidagi fazoviy masofadir.

Ikkinchi hosila standart ikkinchi tartibli markaziy ayirma bilan taxminan hisoblanadi:

\[ \frac{\partial^2\phi}{\partial x^2}(x_j,t) \approx \frac{ \phi_{j-1}(t)-2\phi_j(t)+\phi_{j+1}(t) }{\Delta x^2} \]

Bu diskretlashtirish uzluksiz PDE ni chekli oʻlchamli chiziqli ODE tizimiga aylantiradi:

\[ \frac{d\boldsymbol{\phi}}{dt} = \nu L\boldsymbol{\phi} \]

\(L\) diskret Laplas matritsasidir. Ichki nuqtalar uchun asosiy koeffitsiyentlar:

\[ L_{j,j}=-\frac{2}{\Delta x^2}, \qquad L_{j,j-1}=L_{j,j+1}=\frac{1}{\Delta x^2} \]

koʻrinishida.

Chegaralarni \(\phi\) oʻrniga \(u\) orqali qoʻllash

Manba Dirichlet chegara shartlarini \(\phi\) ning uch qiymatlarini bevosita evolyutsiyalantirish orqali emas, tezlik maydoni \(u\) orqali qoʻllaydi:

\[ u_0(t)=u_L, \qquad u_{N-1}(t)=u_R \]

va diskret Laplas matritsasining birinchi hamda oxirgi qatorlarini nolga tenglaydi:

\[ L_{0,j}=0, \qquad L_{N-1,j}=0 \]

Bu yondashuvda ichki \(\phi\) dinamikasi alohida rivojlanadi; tezlik maydoni qayta tiklanganda chegara tezliklari bevosita tayinlanadi.

Boshlangʻich \(\phi\) vektori qanday hisoblanadi?

Uzluksiz integral diskret gridda trapetsiya qoidasi bilan hisoblanadi:

\[ I_j \approx \sum_{k=1}^{j} \frac{\Delta x}{2} \left[ u_0(x_k)+u_0(x_{k-1}) \right] \]

soʻng:

\[ \phi_j(0) = \exp\left(-\frac{I_j}{2\nu}\right) \]

olinadi. Keyin vektor kvant holatiga tayyorlanishi uchun Evklid normasi 1 boʻladigan tarzda normallashtiriladi.

Klassik etalon yechim nima uchun kerak?

Diskret tizimning formal yechimi:

\[ \boldsymbol{\phi}(t) = \exp(\nu tL)\boldsymbol{\phi}(0) \]

koʻrinishida. Manba bu matritsa eksponentasining vektorga ta’sirini QuTiP ichidagi Krylovga asoslangan propagator bilan taxmin qiladi. Krylov ostfazo usulida katta va siyrak matritsaning toʻliq eksponentasini oshkora tuzish oʻrniga, eksponensial operatorning muayyan boshlangʻich vektorga ta’siri kichikroq ostfazoda hisoblanadi.

Vaqt nuqtalari:

\[ t_n=n\Delta t, \qquad T=N_t\Delta t \]

deb ta’riflanadi.

Klassik yechim tadqiqotda shunchaki “taqqoslanadigan boshqa usul” emas. U ayni paytda QAGT-MLP ning supervised-learning maqsadidir. Ya’ni mashinaviy oʻrganish modeli shovqinli kvant maydonidan klassik Krylov etalon maydoniga olib boruvchi oʻzgarishni oʻrganadi.

Tezlik maydoni \(\phi\) dan qanday qayta olinadi?

Ichki grid nuqtalarida Cole–Hopf teskari almashtirishining diskret shakli qoʻllanadi:

\[ u_j(t_n) = -2\nu \frac{ \phi_{j+1}(t_n)-\phi_{j-1}(t_n) }{ 2\Delta x\, \max\big(\phi_j(t_n),\varepsilon\big) } \]

Manba misol sifatida:

\[ \varepsilon=10^{-10} \]

qiymatini beradi. Bu kichik musbat tartibga solish doimiysi \(\phi_j\) juda kichrayganda maxrajning nolga yoki sonli jihatdan xavfli darajada kichik qiymatlarga yaqinlashishini oldini oladi.

Tadqiqot aniqlikni qaysi fizik va sonli oʻlchovlar bilan kuzatadi?

1. Diskret \(L_2\) xatosi:

\[ E_{L_2}(t_n) = \left[ \sum_{j=0}^{N-1} \Delta x \left( u_j^{q}(t_n)-u_j^{ref}(t_n) \right)^2 \right]^{1/2} \]

Bu metrika kvant yoki tuzatilgan yechim bilan klassik etalon oʻrtasidagi umumiy maydon farqini oʻlchaydi. Xato kattalashgani sari yechim klassik etalondan uzoqlashadi.

2. Shok joylashuvi:

Avval diskret tezlik gradienti:

\[ \left(\frac{\partial u}{\partial x}\right)_{j+1/2} \approx \frac{u_{j+1}-u_j}{\Delta x} \]

hisoblanadi. Eng katta mutlaq gradient joylashgan nuqta:

\[ k^\star = \arg\max_{0\le j\le N-2} \left| \frac{u_{j+1}-u_j}{\Delta x} \right| \]

va:

\[ x_{\mathrm{shock}}=x_{k^\star} \]

deb ta’riflanadi.

3. Dissipatsiya darajasi:

\[ D(t_n) = \nu \sum_{j=0}^{N-2} \left[ \frac{u_{j+1}(t_n)-u_j(t_n)}{\Delta x} \right]^2 \Delta x \]

Bu kattalik qovushqoq gradientlarning umumiy ta’sirini ifodalovchi diskret dissipatsiya koʻrsatkichidir. U faqat nuqtaviy xatoni emas, balki yechimning fizik gradient tuzilishi saqlangan-saqlanmaganini baholashga ham yordam beradi.

Kvant hisoblashni boshidan tushunaylik: qubit nima?

Klassik bit faqat 0 yoki 1 holatda boʻladi. qubit esa oʻlchashdan oldin umumiy holda:

\[ |\psi\rangle=\alpha|0\rangle+\beta|1\rangle \]

koʻrinishidagi kvant holati bilan ta’riflanishi mumkin va normallashtirilgan holatda:

\[ |\alpha|^2+|\beta|^2=1 \]

boʻlishi kerak. \(\alpha\) va \(\beta\) toʻgʻridan-toʻgʻri klassik ehtimollar emas, balki kompleks boʻlishi mumkin boʻlgan ehtimollik amplitudalaridir. Oʻlchash natijasida 0 ni kuzatish ehtimoli \(|\alpha|^2\), 1 ni kuzatish ehtimoli esa \(|\beta|^2\) ga teng.

Bir nechta qubit ishlatilganda holatlar fazosi eksponensial oʻsadi. \(n\) qubit uchun \(2^n\) ta computational basis state mavjud:

\[ |0\rangle,\ |1\rangle,\ldots,\ |2^n-1\rangle \]

Tadqiqotdagi amplitude encoding usulining asosiy gʻoyasi shu katta holat vektori amplitudalaridan fazoviy grid qiymatlarini tashish uchun foydalanishdir.

Amplitude encoding \(N\) ta grid nuqtasini kam sonli qubit bilan qanday ifodalaydi?

Tadqiqot \(N\) ta diskret Cole–Hopf qiymatini kvant holatining \(2^n\) amplitudasiga joylashtiradi; shu bilan kerakli qubit soni \(n=\lceil\log_2N\rceil\) boʻladi, biroq bu ixcham ifoda ma’lumotni kvant holatiga tayyorlash, evolyutsiyadan axborot olish va oʻlchash uchun namuna olish xarajatlarini yoʻq qilmaydi.

Qubit soni

Manbadagi ta’rif:

\[ n=\lceil\log_2N\rceil, \qquad D=2^n \]

Masalan:

• \(N=8\) uchun \(n=3\) qubit,
• \(N=16\) uchun \(n=4\) qubit,
• \(N=32\) uchun \(n=5\) qubit,
• \(N=64\) uchun \(n=6\) qubit

yetarli.

Agar \(N\) aynan \(2^n\) boʻlmasa, manba vektorni \(D=2^n\) oʻlchamigacha nollar bilan toʻldiradi yoki koʻrsatilgan tuzilishga muvofiq joylashtiradi:

\[ \psi_k^{(0)} = \begin{cases} \tilde{\phi}_k,&0\le k\le N-1,\\ 0,&N\le k\le D-1. \end{cases} \]

Yakuniy normallashtirilgan kvant holati:

\[ |\psi(0)\rangle = \sum_{k=0}^{D-1} \psi_k^{(0)}|k\rangle \]

koʻrinishida.

Amplitude encoding nega “bepul eksponensial tezlanish” emas?

\(2^n\)-oʻlchamli vektorni \(n\) qubit amplitudalarida ifodalash mumkinligi kuchli matematik xususiyatdir. Biroq faqat shundan “\(N\) ta klassik sonni \(\log_2N\) qubit bilan kodladik, demak hisoblash eksponensial tezlashdi” degan xulosani chiqarib boʻlmaydi.

Chunki haqiqiy kvant algoritmida qoʻshimcha ravishda:

• boshlangʻich vektorni kvant holatiga tayyorlash,
• zarur kvant amallarini bajarish,
• apparat shovqini,
• koʻp sonli shot bilan oʻlchash,
• kerakli klassik maydonni oʻlchovlardan qayta chiqarish

kabi xarajatlar mavjud. Ushbu tadqiqot bu xarajatlarni toʻliq yoʻq qiladigan yoki klassik usulga nisbatan asimptotik tezlik ustunligini isbotlaydigan natijani taqdim etmaydi.

Hamiltonian nimani anglatadi?

Kvant mexanikasida Hamiltonian tizimning vaqt evolyutsiyasini belgilovchi operatordir. Manba diskret diffuziya dinamikasini taqlid qilish uchun eng yaqin qoʻshni qubit oʻzaro ta’sirlaridan tuzilgan:

\[ H = \sum_{i=0}^{n-2} \alpha X_iX_{i+1} \]

Hamiltonianidan foydalanadi.

\(X_i\) — \(i\)-qubitdagi Pauli-\(X\) operatori. \(X_iX_{i+1}\) ikki qoʻshni qubit orasidagi oʻzaro ta’sir hadidir. \(\alpha\) aralashish miqyosini belgilovchi koeffitsiyentdir.

\(R_{XX}\) darvozasi va Trotterlashtirish kvant vaqt evolyutsiyasini qanday hosil qiladi?

\(R_{XX}\) ikki qubit orasida \(X\otimes X\) oʻzaro ta’sirini hosil qiladigan unitar rotatsiyadir; tadqiqot bu darvozalarni qoʻshni qubit juftlari boʻylab takrorlab va vaqtni kichik Trotter qadamlariga boʻlib, Cole–Hopf diffuziya dinamikasiga oʻxshatilgan taxminiy kvant evolyutsiyasini hosil qiladi.

\(R_{XX}\) darvozasi

Manba:

\[ R_{XX}(\theta) = \exp\left( -i\frac{\theta}{2}X\otimes X \right) \]

ta’rifidan foydalanadi.

Unitar boʻlish nimani anglatadi? Ideal darvoza kvant holatining umumiy ehtimollik normasini saqlaydigan qaytariluvchan oʻzgarishdir.

\(\theta\): Rotatsiya burchagi boʻlib, manbada:

\[ \theta = \frac{2\nu\Delta t}{\Delta x^2} \]

koʻrinishida tanlanadi.

Bu bogʻlanish qovushqoqlik, vaqt qadami va fazoviy grid aniqligini kvant darvozasining rotatsiya miqyosiga bogʻlaydi.

\(\nu\) oshganda \(\theta\) kattalashadi. \(\Delta t\) oshganda \(\theta\) kattalashadi. \(\Delta x\) kichrayganda, maxrajda \(\Delta x^2\) boʻlgani uchun \(\theta\) keskin kattalashadi. Bu matematik bogʻlanish nozik gridlar sxema parametrlariga va evolyutsiya tuzilishiga ta’sir qilishi mumkinligini koʻrsatadi.

Trotter yondashuvi

Maqsad vaqt \(t\), \(\Delta t\) kattalikdagi qadamlarga boʻlinadi:

\[ M = \max\left( 1,\left\lfloor\frac{t}{\Delta t}\right\rfloor \right) \]

va umumiy evolyutsiya:

\[ U(t) \approx \left[U(\Delta t)\right]^M \]

bilan taxminiy hisoblanadi.

Bitta Trotter qadami:

\[ U(\Delta t) = \prod_{i=0}^{n-2} R_{XX}^{(i,i+1)}(\theta) \]

koʻrinishida qoʻshni qubit juftlariga qoʻllanadigan \(R_{XX}\) darvozalaridan tashkil topadi.

Trotterlashtirish nega “taxminiy”? Agar Hamiltonian turli va odatda oʻzaro commute qilmaydigan hadlar yigʻindisidan iborat boʻlsa, butun eksponensial oʻzgarishni kichik alohida eksponentalar koʻpaytmasi bilan almashtirish chekli vaqt qadamida Trotter xatosini keltirib chiqarishi mumkin. Qadamlar kichraygani sayin ideal matematik yaqinlashish yaxshilanishi mumkin; biroq haqiqiy NISQ apparatida koʻproq qadam ayni paytda chuqurroq sxema va koʻproq shovqin degani boʻlishi mumkin. Bu NISQ algoritmlarining asosiy aniqlik–shovqin muvozanatlaridan biridir.

Muhim konseptual chegara: diffuziya va unitar evolyutsiya bir xil narsa emas

Konseptual tushuntirish; tadqiqotning yangi natijasi emas: Klassik diffuziya operatori \(\exp(\nu tL)\) dissipativ evolyutsiya boʻlib, odatda unitar emas. Aksincha, ideal kvant darvozalaridan tuzilgan \(R_{XX}\) sxemasi unitardir. Manba eng yaqin qoʻshni Hamiltonian aralashmasi diskret diffuziya xatti-harakatini “taqlid qilishi” uchun miqyos tanlanganini ta’kidlaydi; biroq koʻrib chiqilgan manba matnida \(n\)-qubit \(X_iX_{i+1}\) Hamiltoniani bilan \(N\times N\) diskret Laplas operatori oʻrtasidagi toʻliq operator ekvivalentligining batafsil matematik keltirib chiqarilishi berilmagan.

Shuning uchun Verianla bayonida \(R_{XX}\) sxemasi “diffuziya operatoriga matematik jihatdan toʻliq teng” deb taqdim etilmaydi. Manbaning oʻz doirasiga mos ravishda u diffuziya dinamikasini taxminiy taqlid qilish uchun ishlatiladigan kvant sxema modeli sifatida ta’riflanadi.

Qiskit va IBM apparati qanday ishlatilgan?

Tadqiqot sxemalarni Qiskit va Qiskit Aer yordamida yaratadi. Ikki turdagi kvant backend mavjud:

• Shovqinli AerSimulator: haqiqiy IBM qurilmasidan olingan realistik shovqin modeli bilan sozlangan.
• Haqiqiy NISQ apparati: manbada ibm_torino backend koʻrsatilgan va unga IBM Quantum Runtime orqali kirilgan.

Sxemalar ishga tushirilishidan oldin qurilma topologiyasi va backend xususiyatlariga koʻra transpile qilinadi.

Har bir parametr/vaqt shartida shovqinli simulyatsiya uchun manba odatda:

\[ N_{\mathrm{shots}}=8192 \]

oʻlchovdan foydalanadi.

Shot nima?

Kvant sxemasini bir marta ishga tushirib, barcha qubitlarni oʻlchash bir shot deb ataladi. Kvant oʻlchovi ehtimollik xarakteriga ega boʻlgani uchun bitta shot odatda yetarli emas. Bir xil sxema minglab marta takrorlanadi va qaysi bit ketma-ketligi necha marta kuzatilgani sanaladi.

Masalan, toʻrtta qubit uchun oʻlchash natijasi:

0101

kabi bit ketma-ketligi boʻlishi mumkin. Minglab takrorlardan soʻng har bir bit ketma-ketligining chastotasi oʻsha basis state ning oʻlchash ehtimolini taxmin qiladi.

Oʻlchash natijalaridan amplituda qanday qayta tiklanadi?

Manba:

\[ \psi_k(t) = \sqrt{ \frac{\mathrm{counts}(b_k)} {N_{\mathrm{shots}}} } \]

ifodasidan foydalanadi va keyin yana normallashtiradi:

\[ \psi_k(t) \leftarrow \frac{\psi_k(t)} { \left( \sum_{j=0}^{N-1}|\psi_j(t)|^2 \right)^{1/2} } \]

Bu amplituda vektori keyin diskret Cole–Hopf maydoni rolini bajaradi va tezlik:

\[ u_j^{q}(t) = -2\nu \frac{ \psi_{j+1}(t)-\psi_{j-1}(t) }{ 2\Delta x\, \max(\psi_j(t),\varepsilon) } \]

bilan qayta tiklanadi.

Muhim kvant oʻlchash chegarasi: counts bizga nimani beradi, nimani bermaydi?

Konseptual tushuntirish; manba natijasiga qoʻshimcha tajriba emas: Computational-basis oʻlchovi bevosita kompleks amplituda \(\psi_k\) ni emas, uning Born ehtimolini \(|\psi_k|^2\) namunaga oladi. Counts qiymatining kvadrat ildizini olish amplituda kattaligi bilan bogʻliq musbat qiymat beradi; umumiy kompleks kvant holatining fazasini oʻzi bera olmaydi.

Manba tenglamasida counts dan kvadrat ildiz olinib amplituda vektori hosil qilinadi. Koʻrib chiqilgan PDFda qoʻshimcha faza tomografiyasi, fazani qayta tiklash yoki umumiy kompleks amplitudalarning ishora/faza axborotini qanday chiqarish boʻyicha alohida rekonstruksiya protsedurasi tushuntirilmagan. Shu sababli Verianla oʻlchash bosqichini “kvant holatining barcha kompleks amplitudalari toʻliq qayta oʻlchanadi” tarzida taqdim etmaydi.

NISQ nimani anglatadi?

Noisy Intermediate-Scale Quantum (NISQ) xatolar tuzatilgan katta miqyosli fault-tolerant kvant kompyuterlaridan oldingi mavjud/erta kvant apparati sinfini anglatadi. Bu qurilmalarda qubitlar soni va coherence vaqti cheklangan; bir-qubit va ayniqsa ikki-qubit darvozalarida xatolar yuz beradi; readout xatosi, decoherence, crosstalk va vaqt oʻtishi bilan oʻzgaradigan kalibrlash kabi ta’sirlar natijalarni buzishi mumkin.

Shu sababli ideal kvant sxemasining matematik chiqishi bilan fizik qurilmadan oʻlchangan chiqish bir xil emas.

Zero-Noise Extrapolation (ZNE) kvant xatosini qanday kamaytirishga urinadi?

ZNE bir xil ideal amalni turli samarali shovqin darajalarida ishga tushirib, olingan natijalardan shovqin nol boʻlgan chegaraga ekstrapolyatsiya qilishga urinadi; u xatoni tuzatish kodidan foydalanmaydi va ushbu tadqiqotda oʻrgatilgan QAGT-MLP usuli uchun klassik taqqoslash bazasi vazifasini bajaradi.

Tadqiqotdagi ZNE qoʻllanilishi

Manba shovqinni oshirish uchun entangling \(R_{XX}\) darvozalarini takrorlaydi. Masshtablangan sxema:

\[ U_{\mathrm{scaled}}(t;s) \approx \left[ \prod_{i=0}^{n-2} R_{XX}(\theta)^s \right]^M \]

koʻrinishida ta’riflanadi.

Tadqiqot ikki shovqin masshtabidan foydalanadi:

\[ s\in\{1,3\} \]

\(s=1\) nominal sxema; \(s=3\) ayni entangling darvozalari koʻproq takrorlanadigan va koʻproq apparat shovqinini toʻplaydigan sxema.

Birinchi tartibli Richardson ekstrapolyatsiyasi:

\[ u^{ZNE}(t) = \frac{3}{2}u^{(1)}(t) - \frac{1}{2}u^{(3)}(t) \]

orqali nol shovqinga yoʻnaltirilgan bahoni hosil qiladi.

Manba ZNE natijasini qoʻshimcha ravishda fizik jihatdan maqbul intervalga kesadi:

\[ u_j^{ZNE} \leftarrow \min\left[ \max(u_j^{ZNE},u_{\min}), u_{\max} \right] \]

va tajribalarda misol chegaralar sifatida:

\[ u_{\min}=-1,\qquad u_{\max}=2 \]

qiymatlarini beradi.

ZNE nega har doim yaxshilanish bermadi?

ZNE bias-ni kamaytirishi mumkin; biroq yanada shovqinli sxemalarni ishga tushirib, bu natijalarni chiziqli kombinatsiya orqali ekstrapolyatsiya qilgani sabab namuna olish dispersiyasi va beqarorlikni oshirishi mumkin. Manba natijalarida ayrim 2D va ayniqsa 3D holatlarda ZNE xom apparat natijasidan ham yomonroq xato bergani aniq koʻrsatilgan.

Shu sababli tadqiqotning asosiy gʻoyasi ZNE ni butunlay yoʻq qilish emas, balki sxema va fizik maydon tuzilishini oʻrganadigan problem-aware xatoni tuzatish qatlami bilan kuchliroq tuzatishga erishish mumkinmi, shuni sinashdir.

QAGT-MLP nima?

QAGT-MLP kvant sxemasini yoʻnaltirilgan siklsiz graf (Directed Acyclic Graph, DAG) sifatida ifodalab, attentionga asoslangan graf qatlamlaridan olingan strukturaviy xususiyatlarni shovqinli kvant chiqishlari bilan birlashtiradigan va klassik etalon maydonini baholaydigan klassik mashinaviy oʻrganish xatoni kamaytirish modelidir.

Bu model kvant neyron tarmogʻi emas. Oʻqitish va inferensiyaning xatoni tuzatish qismi klassik mashinaviy oʻrganish qatlamidir; uning kirishlaridan biri kvant sxemasi va kvant oʻlchash chiqishlaridir.

Kvant sxemasi nega grafga aylantirilishi mumkin?

Sxemadagi har bir kvant darvozasini tugun deb qarash mumkin. Darvozalar orasidagi kvant axborot oqimi va vaqt/sababiylik munosabati esa qirralar bilan ifodalanishi mumkin. Sxema vaqt yoʻnalishida oldinga borgani uchun graf tabiiy ravishda yoʻnaltirilgan va siklsizdir.

Manba koʻrsatgan node xususiyatlari orasida:

• gate identifikatori/turi,
• gate arity: darvoza nechta qubit ustida ishlashi,
• gate parametrlari,
• qubit indeks/kodlash ma’lumotlari,
• amalning sxemadagi vaqt/moment joylashuvi,
• mahalliy shovqin xususiyatlari,
• lightcone xususiyatlari,
• global sxema xususiyatlari

mavjud.

Causal lightcone nima?

Muayyan qubit oʻlchoviga butun sxemadagi har bir darvoza ta’sir qila olmaydi. Faqat sababiy jihatdan shu oʻlchovga axborot olib keladigan darvozalar ta’sir qilishi mumkin. Tadqiqot bu ostgrafdan lightcone sifatida foydalanadi.

Manbadagi ta’rif:

\[ L_i = \left\{ g\in G: \exists\ \text{g'den }q_i\text{ ölçümüne nedensel yol} \right\} \]

Bu yerda:

• \(G\): sxemadagi darvoza tugunlari toʻplami,
• \(g\): muayyan gate tuguni,
• \(q_i\): oʻlchanayotgan maqsad qubit,
• \(L_i\): shu oʻlchovga ta’sir qila oladigan gate-larning lightcone toʻplami.

Bu niqob uch asosiy vazifani bajaradi:

1. Sababiy muvofiqlik: Aloqasiz gate-larning bashoratga aralashishini kamaytiradi.
2. Hisoblash samaradorligi: Attention mexanizmi butun sxema oʻrniga kerakli osttuzilmaga e’tibor qaratishi mumkin.
3. Talqin qilinuvchanlik: Qaysi gate ketma-ketliklari muayyan oʻlchash xatosiga hissa qoʻshishi mumkinligini kuzatishga yordam beradi.

Graph attention nima qiladi?

Standart GNN qoʻshni tugunlardan kelgan ma’lumotlarni jamlaydi. Graph Attention Network (GAT) esa barcha qoʻshnilar hissasini teng deb qabul qilishi shart emas. Oʻrganilgan attention ogʻirliklari ayrim qoʻshnilarni muayyan node tasviri uchun muhimroq qiladi.

Bu tadqiqotda maqsad, masalan, shovqinli oʻlchash natijasini tuzatish uchun qaysi darvozalar, qaysi qubit yoʻllari va qaysi sababiy osttuzilmalar muhimroq ekanini model oʻrganishidir.

QAGT-MLP ning kirishi va chiqishi

Manbada supervised-learning maqsadi konseptual tarzda:

\[ \mathcal{R}: u^{noisy}(t) \ \text{veya}\ u^{ZNE}(t) \longmapsto u^{class}(t) \]

koʻrinishida ifodalanadi.

Kirish faqat shovqinli tezlik vektori emas. Circuit graph, gate xususiyatlari, lightcone, global circuit ma’lumotlari va quantum measurement natijasi birgalikda ishlatiladi. Modelning yakuniy qismidagi MLP shu qayta ishlangan graf tasviri va oʻlchash ma’lumotlaridan foydalanib noise-corrected chiqishni hosil qiladi.

Oʻqitish usuli

Manba supervised learning dan foydalanadi. Kirish sxema grafi va tegishli shovqinli quantum measurement ma’lumotlaridir. Maqsad klassik simulyatsiya natijasidir.

Yoʻqotish funksiyasi:

Mean Squared Error (MSE), ya’ni bashorat bilan klassik ground truth oʻrtasidagi kvadrat xatolar oʻrtachasi.

Manba bitta model bilan barcha output oʻlchamlarini yechish oʻrniga \(N=16\), \(N=32\) va \(N=64\) uchun alohida ixtisoslashgan modellarni oʻqitganini bildiradi.

Oʻqitish egri chiziqlari 100 epoch davomida koʻrsatiladi. Manba dastlabki taxminan 10–15 epoch da tez yaxshilanish va taxminan 30. epoch dan keyin sekinroq/barqaror rivojlanish kuzatilganini bildiradi. \(N=32\) uchun taxminan 70. epoch atrofida learning-rate step pasayishi koʻrsatiladi; \(N=16\) va \(N=64\) uchun oʻzgarmas learning-rate xatti-harakati qayd etiladi.

Biroq manba quyidagi muhim oʻqitish tafsilotlarini aniq qiymatlar bilan bermaydi:

• optimizer nomi,
• boshlangʻich learning rate ning aniq son qiymati,
• batch size,
• GAT qatlamlarining aniq soni,
• attention head soni,
• hidden embedding dimension,
• dropout darajasi,
• weight decay,
• aniq train/validation/test foiz taqsimoti.

Bu yetishmayotgan qiymatlar Verianla tomonidan taxmin qilinmagan.

Tadqiqot Usuli va Natijalari

Parametrlarni skanerlash

Ushbu skan:

\[ 5\times4\times4\times4=320 \]

alohida parametr kombinatsiyasini hosil qiladi.

Manba uchta vaqt toʻplamidan foydalanadi:

\[ \mathcal{T}^{(0)} = \{0,\ 0.005,\ 0.010\} \]

\[ \mathcal{T}^{(1)} = \{0,\ 0.0025,\ 0.005,\ 0.0075,\ 0.010\} \]

\[ \mathcal{T}^{(2)} = \{0,\ 0.002,\ 0.004,\ 0.006,\ 0.008,\ 0.010\} \]

Jami 14 ta vaqt snapshot-i boʻyicha bir necha ming juftlashtirilgan klassik/kvant namunasi olingani qayd etiladi.

Dataset ichida nimalar saqlanadi?

Manba har bir tajriba sharti uchun:

• klassik etalon maydonni,
• noisy simulator maydonini,
• ZNE-corrected maydonini,
• mavjud boʻlsa haqiqiy hardware maydonini,
• xom counts yoki quasi-distribution ma’lumotini,
• shock position va dissipation kabi diagnostik metrikalarni,
• circuit depth-ni,
• ikki-qubit gate sonini,
• grid va parametr meta ma’lumotlarini

tuzilmali JSON yozuvlariga joylashtirganini bildiradi.

Sxemalar, shuningdek, QPY va qoʻllab-quvvatlanganda QASM formatida eksport qilinadi. Biroq koʻrib chiqilgan manbada bu fayllar uchun ommaga ochiq repository yuklab olish havolasi berilmagan.

1D yuqori qovushqoqlik boʻyicha umumiy natijalar

Manbada 1-jadval atrofidagi muhokama ushbu qiymatlarni xato koʻrsatkichlari nuqtai nazaridan talqin qiladi. Biroq jadval ustun sarlavhasida mezon nomi alohida “MAE” deb yozilmagani sababli, Verianla jadvalni manbada berilgan shaklda “umumiy xato qiymatlari” sifatida taqdim etadi.

1D past qovushqoqlik boʻyicha umumiy natijalar

Ushbu jadval past qovushqoqlik va demak keskinroq/yechish qiyinroq tuzilmalar mavjud boʻlgan rejimda QAGT-MLP yutuqlari yuqori qovushqoqlik guruhiga qaraganda umuman pastroq ekanini koʻrsatadi. Shu bilan birga, ayrim holatlarda ZNE ustunidagi qiymat xom noisy qiymatidan yuqori boʻlishi ZNE avtomatik tarzda yaxshilanishni kafolatlamasligini koʻrsatadi.

Namunaviy 1D simulyatsiya misollari

Manbaning natijalar muhokamasida \(N=64\) uchun namunaviy bir holatda noisy simulation MAE taxminan 0,51 dan QAGT-MLP dan soʻng taxminan 0,07 gacha tushgani qayd etiladi.

\(N=32\) namunaviy misollarda taxminan 0,62 noisy MAE qiymati taxminan 0,13 yoki undan pastga tushirilgan holatlar mavjud.

\(N=16\) koʻproq muammoli. Bir misolda taxminan 1,23 dan 0,17 gacha katta yaxshilanish kuzatilgan boʻlsa, yana ikki misolda QAGT-MLP MAE taxminan 1,13 va 1,16 gacha koʻtarilgan; noisy kirish xato qiymatlari esa taxminan 0,43 va 0,46 deb berilgan.

Ushbu ikkinchi holatlarda model natijani tuzatish oʻrniga yomonlashtirgan.

Haqiqiy IBM apparatiga umumlashtirish

Muhim tajribalardan biri model faqat noisy simulator ma’lumotlarida oʻqitilib, keyin haqiqiy IBM apparati chiqishlarida sinovdan oʻtkazilganidir.

\(N=64\) namunaviy apparat misollarida xom MAE taxminan 0,56–1,05 oraligʻida boʻlganida, QAGT-MLP dan keyin taxminan 0,07–0,32 oraligʻiga tushgani va nisbiy yaxshilanish taxminan %69–87 boʻlgani qayd etiladi.

\(N=32\) misollarida xom apparat MAE taxminan 0,55–0,56, tuzatilgan MAE taxminan 0,09–0,12 deb hisobot qilinadi; manba bu misollarda taxminan %80 yaxshilanishni bildiradi.

\(N=16\) yana aralash natija beradi. Ikki misolda taxminan 1,26 va 1,30 boʻlgan xom MAE ning taxminan 0,14 gacha tushishi taxminan %89 yaxshilanishni yuzaga keltirgan, boshqa bir misolda esa xom taxminan 0,44 MAE QAGT-MLP dan keyin taxminan 1,18 gacha koʻtarilgan. Manba bu misolda nisbiy natijani −%167 deb beradi.

Bu muvaffaqiyatsizlik ayniqsa muhim: model simulator → hardware distribution shift-ga qaramay koʻp hollarda yaxshi umumlashtirsa-da, juda past aniqlikda ayrim maydon tuzilmalari yetarlicha ifodalanmasa, oʻrganilgan tuzatuvchi xatoni kattalashtirishi mumkin.

2D natijalar

Manba usulni ikki oʻlchamli qovushqoq Burgers maydonlariga ham qoʻllaydi va 9-rasmda 512×512 grid ustidagi namunaviy vaqt evolyutsiyalarini koʻrsatadi. Classical reference, noisy quantum, ZNE va QEM maydonlari taqqoslanadi. Tasvirlarda QEM maydonlari katta masshtabli oqim tuzilishini noisy va ZNE ga nisbatan yaxshiroq tiklagani bildiriladi.

Shu bilan birga, umumiy 2D xato jadvalini muvozanatliroq talqin qilish kerak:

16×16 holatda QAGT-MLP ning MAE qiymati 0,543 dan 0,574 gacha oshadi; ya’ni MAE boʻyicha taxminan −%5,86 lik salbiy “yaxshilanish” mavjud. Bunga qarshi, MSE va RMSE kamayadi. Bu model turli xato metrikalarida turlicha ishlashi mumkinligini koʻrsatadi.

32×32 holatda esa QAGT-MLP barcha uch xato metrikasida noisy va ZNE ga qaraganda yaxshiroq natija beradi va MAE taxminan yarmiga tushadi.

2D korrelyatsiya tahlili

Manba 2D nuqtaviy tezliklarni klassik ideal qiymatlar bilan taqqoslaydigan KDE/scatter tahlillarini ham taqdim etadi.

\(N=16\) uchun noisy va ZNE korrelyatsiyalari taxminan:

\[ r\approx0.25,\qquad r\approx0.31 \]

boʻlsa, QEM uchun:

\[ r\simeq0.98 \]

deb hisobot qilinadi.

\(N=32\) holatda noisy va ZNE korrelyatsiyalari taxminan 0,00–0,01 atrofida ekani, QEM esa taxminan:

\[ r\simeq0.61 \]

korrelyatsiyaga yetgani bildiriladi.

Bu yerda korrelyatsiyaning yuqori boʻlishi oʻz-oʻzidan har bir nuqtada kichik mutlaq xatoni kafolatlamaydi; biroq bashorat qilingan nuqtaviy qiymatlarning klassik etalon bilan birga oʻzgarish tendensiyasi kuchayganini koʻrsatadi.

3D natijalar

Manba haqiqiy kvant apparati shovqini asosida uch oʻlchamli Burgers maydonlarini ham baholaydi. Vizual natijalar 4×4×4 grid ustidagi vektor maydonlarini turli vaqtlarda taqqoslaydi.

Umumiy 3D jadval:

4×4×4 gridda MAE biroz yomonlashsa-da, MSE va RMSE yaxshilanadi. 8×8×8 gridda esa MAE ni ham oʻz ichiga olgan barcha hisobot qilingan metrikalarda yaxshilanish kuzatiladi.

Shuning uchun “3D da model har doim xatoni kamaytiradi” deb boʻlmaydi. Manbaning oʻz umumiy jadvali juda qoʻpol 4³ gridda MAE yomonlashganini koʻrsatadi.

Aniqlik nega bunchalik muhim?

Mashinali oʻrganish tuzatuvchisi shovqinli input ichidagi fizik tuzilishdan foydalanib klassik tuzilishni bashorat qilishga harakat qiladi. Agar grid juda qoʻpol boʻlsa, haqiqiy zarba holati, choʻqqi shakli va gradient yetarlicha namunalab olinmasligi mumkin. Bunday holatda model tuzatishga tayanch qiladigan fizik ma’lumot inputda mavjud boʻlmasligi mumkin.

Manba shu sababli \(N=16\) xatolarini faqat “quantum backend yomon” deb talqin qilmaydi; oʻxshash muvaffaqiyatsiz misollarning simulyatsiyada ham kuzatilishi aniqlik asosiy cheklovchilardan biri ekaniga ishora qiladi.

Sxema oʻlchami va oʻlchamlilik oshganda nima sodir boʻladi?

Manbaning 3-rasmi 1D, 2D va 3D quantum CFD sxemalarida muammo oʻlchami oshgani sari:

• ikki-qubit gate soni,
• umumiy gate soni,
• entangling density

ortishini koʻrsatadi.

Circuit depth esa disjoint ikki-qubit amallarni parallel bajarish mumkinligi sababli umumiy gate sonichalik tez oʻsmasligi mumkin. Shunga qaramay, ikki-qubit gate lar NISQ apparatlarida muhim xato manbalari boʻlgani uchun gate hajmining oshishi shovqinga sezgirlikni kuchaytiradi.

Manba grafigining xom sonli nuqtalari jadval koʻrinishida berilmagani sababli, Verianla bu yerda oʻqlardan sun’iy aniq qiymatlar ishlab chiqarmagan.

Modelning ochiq muvaffaqiyatsizlik rejimlari

• Juda past fazoviy aniqlikda fizik tuzilma yetishmay qolishi mumkin.
• Oʻrganilgan tuzatish ayrim misollarda overshoot yuzaga keltirishi mumkin.
• Zarba atrofida tizimli bias paydo boʻlishi mumkin.
• Notoʻgʻri tuzatish zarba holatini siljitishi mumkin.
• Gradient kattaligini boʻrttirib, dissipation ni ortiqcha baholashi mumkin.
• 2D 16×16 va 3D 4×4×4 umumiy MAE natijalari salbiy yaxshilanishni oʻz ichiga oladi.
• ZNE ayrim rejimlarda raw hardware dan yomonroq boʻlishi mumkin.

Tadqiqot qoʻllab-quvvatlaydigan xulosalar

• Shovqinli quantum Burgers yechimlarining klassik etalondan ogʻishlari oʻrganilgan grafga asoslangan post-processing qatlam orqali koʻp hollarda kamaytirilishi mumkin.
• Sxemaning DAG tuzilmasi va causal lightcone ma’lumoti xatoni kamaytirish modeliga kirish sifatida ishlatilishi mumkin.
• Faqat shovqinli simulyator ma’lumotlarida oʻqitilgan model ayrim \(N=32\) va \(N=64\) 1D testlarida haqiqiy IBM hardware chiqishlariga device-specific qayta oʻqitishsiz umumlashtirilgan.
• 1D yuqori qovushqoqlik umumiy natijalarida apparat tomonda hisobot qilingan oʻrtacha yutuq \(N=64\) uchun %71,0 gacha yetadi.
• 2D 32×32 holatda QAGT-MLP noisy va ZNE bazalariga nisbatan sezilarli MAE/MSE/RMSE yaxshilanishini ta’minlagan.
• 3D 8×8×8 holatda QAGT-MLP noisy hardware natijalariga nisbatan MAE, MSE va RMSE ni kamaytirgan.
• Aniqlik usulning ishonchliligi uchun kritik oʻzgaruvchidir.

Tadqiqot qoʻllab-quvvatlamaydigan da’volar

• Quantum kompyuter klassik Krylov yechuvchisidan tezroq ekani koʻrsatilmagan.
• Quantum advantage yoki quantum supremacy koʻrsatilmagan.
• Umumiy Navier–Stokes CFD muammolari kvant kompyuterda yechilgani koʻrsatilmagan.
• QAGT-MLP barcha quantum algoritmlariga umumlashtirilishi tajribada isbotlanmagan.
• QAGT-MLP barcha grid oʻlchamlarida xatoni kamaytirmaydi.
• ZNE barcha misollarda yaxshilanish ta’minlamaydi.
• Amplitude encoding state-preparation va measurement xarajatlarini yoʻq qilishi koʻrsatilmagan.
• Computational-basis counts dan umumiy kompleks quantum state fazasi toʻliq tiklanishi koʻrsatilmagan.
• Tadqiqot fault-tolerant kvant hisoblash natijasi emas.
• Natijalarni bevosita haqiqiy sanoat 3D turbulent CFD samaradorligi sifatida talqin qilib boʻlmaydi.

Kelajakdagi tadqiqot takliflari

Manba ayniqsa quyidagi rivojlantirish yoʻnalishlarini taklif qiladi:

• multi-resolution / multiscale oʻrganish,
• physics-based loss funksiyalari,
• uncertainty estimation,
• kengroq CFD muammo oilalari,
• ifodalash quvvati yuqoriroq quantum circuit ansatz lar,
• kattaroq va masshtablanuvchi graph arxitekturalari,
• quantum circuit va error corrector ni birgalikda optimallashtirish,
• differentiable surrogate yoki reinforcement learning ga asoslangan birgalikdagi optimallashtirish.

Bu takliflar tadqiqotda hali tasdiqlangan natijalar emas; ular kelajakda oʻrganish tavsiya etilgan yoʻnalishlardir.

Manba va Usul Haqida Izoh

Asl tadqiqot: Solving Burgers Equation on Noisy Quantum Hardware with Error Mitigation through Attention Graph Transformers

Mualliflar: Seyed Mohamad Ali Tousi, Adib Bazgir, Yuwen Zhang, G. N. DeSouza.

Mualliflar tartibi: Manba PDF dagi tartib saqlangan.

Muassasa 1: Vision-Guided and Intelligent Robotics Lab (ViGIR), Department of Electrical Engineering and Computer Science, University of Missouri, Columbia, Missouri, USA.

Muassasa 2: Department of Mechanical and Aerospace Engineering, University of Missouri, Columbia, Missouri, USA.

Mas’ul mualliflar: Manbadagi belgilashga koʻra Yuwen Zhang va G. N. DeSouza corresponding author sifatida koʻrsatilgan.

Manba turi: Tadqiqot preprint-i; gibrid kvant-klassik PDE yechimi, haqiqiy NISQ apparati sinovi, shovqinli simulyatsiya va klassik mashinali oʻrganish orqali xatoni kamaytirish tadqiqoti.

Taqriz holati: PDF har bir sahifada “This preprint research paper has not been peer reviewed” ogohlantirishini oʻz ichiga oladi. Shuning uchun natijalar taqrizdan oʻtgan yakuniy nashr natijalari sifatida taqdim etilmasligi kerak.

Platforma: PDF elektron nusxa uchun SSRN abstract 7649063 havolasini beradi.

Nashr holati: Sahifa pastki qismida “Preprint submitted to Elsevier” iborasi mavjud. Manba PDF yakuniy jurnal jildi, soni va maqola raqamini bermaydi.

DOI: Koʻrib chiqilgan PDF da ushbu versiya uchun DOI hisobot qilinmagan. DOI oʻylab topilmagan.

Nashr sanasi: Koʻrib chiqilgan PDF da ishonchli SSRN nashr/yuklash sanasi koʻrinadigan tarzda berilmagan; shu sababli aniq sana qoʻshilmagan.

Litsenziya: Koʻrib chiqilgan PDF ushbu versiya uchun ochiq qayta foydalanish litsenziyasini koʻrsatmaydi. Shu sababli manba figuralari piksel darajasida koʻchirilmagan; faqat ilmiy munosabatlar mustaqil Verianla SVG sxemalari bilan qayta ifodalangan.

Asosiy dasturiy ta’minot va platformalar: Qiskit, Qiskit Aer, IBM Quantum Runtime hamda klassik etalon uchun QuTiP Krylov asosidagi solver.

Haqiqiy quantum backend: Manba apparat tajribalarida ibm_torino backend-ini koʻrsatadi.

Oʻlchash: Shovqinli kvant ishga tushirishlarida odatda 8192 shot ishlatilgan.

Dataset: 1D asosiy skan uchun 320 parametr kombinatsiyasi; uchta vaqt toʻplamida jami 14 ta vaqt nuqtasi/sharti va bir necha ming juftlashtirilgan namuna yaratilgani bildiriladi.

Ma’lumotlar va sxemalarni eksport qilish: QPY, qoʻllab-quvvatlanganda QASM va tuzilmali JSON meta ma’lumotlari saqlangan. Manbada ushbu fayllar uchun ochiq ommaviy repository havolasi berilmagan.

Moliyalashtirish: Manbada alohida Funding boʻlimi va moliyalashtiruvchi tashkilot/grant raqami hisobot qilinmagan. CRediT boʻlimida G. N. DeSouza uchun “Funding acquisition” roli koʻrsatilgan; bundan moliyalashtiruvchining kimligini aniqlab boʻlmaydi.

Manfaatlar toʻqnashuvi: Koʻrib chiqilgan PDF da alohida conflict-of-interest bayonoti koʻrinmaydi. “Manfaatlar toʻqnashuvi yoʻq” degan taxmin qilinmagan.

CRediT hissalari: Seyed Mohamad Ali Tousi: Conceptualization, Methodology, Software, Investigation, Writing – original draft. Adib Bazgir: Conceptualization, Methodology, Software, Investigation, Writing – original draft. Yuwen Zhang: Conceptualization, Supervision, Resources, Writing – review & editing. G. N. DeSouza: Conceptualization, Supervision, Resources, Funding acquisition, Writing – review & editing.

Hisobot qilinmagan oʻqitish tafsilotlari: Manbada optimizer nomi, batch size, aniq learning-rate qiymatlari, GAT layer/head soni, hidden size, dropout va ochiq ma’lumotlarni boʻlish foizlari aniq berilmagan. Ushbu ma’lumotlar Verianla tomonidan toʻldirilmagan.

Manba ichidagi boshlangʻich/chegara sharti nomuvofiqligi: Asosiy usul boʻlimida \(u_0(x)=\sin(\pi x)\) va har ikki uchda Dirichlet tezlik chegaralari berilgan boʻlsa-da, Qoʻshimcha 12-rasmdagi vizual yorliqlar ushbu ta’rifga toʻliq mos kelmaydi. Asosiy usul tenglamalari oʻzgartirilmagan va farq ochiq koʻrsatilgan.

Kvant modellashtirish chegarasi: Manba \(R_{XX}\) asosidagi eng yaqin qoʻshni Hamiltonian evolyutsiyasidan diskret diffuziya xatti-harakatini taqlid qilish uchun foydalanadi. Koʻrib chiqilgan matnda ushbu unitar kvant evolyutsiyasi bilan klassik dissipativ Laplas semiguruhi oʻrtasidagi toʻliq operator ekvivalentligining batafsil keltirib chiqarilishi berilmagani sababli, Verianla buni toʻliq matematik ekvivalentlik sifatida taqdim etmagan.

Oʻlchash rekonstruksiyasi chegarasi: Manba computational-basis counts qiymatlaridan kvadrat ildiz olib amplituda vektorini hosil qiladi. PDF da umumiy kompleks faza ma’lumotini qayta tiklash uchun alohida tomography/phase-reconstruction protsedurasi tushuntirilmagan.