Quantum Port-Hamiltonian Neural Networks: Learning Conservative and Dissipative Dynamics via Measurement-Induced Nonlinearity
Di cosa parla
Costruiscono circuiti quantistici parametrizzati che imparano a riprodurre il comportamento di sistemi fisici rispettandone la struttura: una parte ricostruisce le equazioni che regolano l’energia e il movimento, mentre un’altra introduce perdita di energia eseguendo misure a metà calcolo che producono un comportamento non lineare. Così la conservazione e la dissipazione sono imposte dal progetto del modello anziché aggiunte come vincoli, e viene proposta anche un’estensione per reti di nodi accoppiati.
Cosa permette di osservare
Permette di esplorare se i computer quantistici possono modellare sistemi fisici mantenendo le regole di conservazione per progettazione e come l’atto stesso di misurare possa essere usato intenzionalmente per far perdere energia a un modello.
Dalla fonte
We introduce Quantum Port-Hamiltonian Neural Networks (Q-pHNNs), parameterised quantum circuits that learn classical dynamics in a structure-preserving manner. The framework rests on the Isomorphic Hamiltonian Mapping (IHM): the skew-symmetric interconnection matrix $\mathbf{J}$ corresponds to unitary gate evolution, and the positive-semidefinite dissipation matrix $\mathbf{R}$ to Measurement-Induced NonLinearity (MINL), realised by mid-circuit measurement with classical feedforward. Conservation and passivity are then enforced by construction rather than by penalty terms, and dissipation becomes an intrinsically quantum effect: energy leaves through the act of measurement. We instantiate the IHM in three architectures: a Quantum HNN that extracts Hamilton's equations via the Parameter-Shift Rule; a Q-pHNN that dissipates through MINL; and a topology-entangled Quantum Graph Neural Netwo…