近日，3044am永利集团3044noc柔性射频技术研究中心在《IEEE Transactions on Antennas and Propagation》期刊上发表了一项创新研究，开发出一种基于混合变分量子技术的子全域基函数方法用于分析有限周期结构的散射特性，该方法能够利用量子优势增强预测模型在训练阶段的学习效率以及当训练样本减少时的鲁棒性。相关成果以“Hybrid Variational Quantum Algorithm Enhanced Subentire-Domain Basis Functions Method with High Learning Efficiency and Better Robustness”为题，发表于国际顶级期刊《IEEE Transactions on Antennas and Propagation》。
在大规模有限周期结构的电磁特性分析中，边缘效应引发的计算复杂性与传统全波方法带来的高耗时、高内存消耗，构成电磁计算领域中的重大挑战。宏基函数方法通过在宏单元上构造基函数可有效降低矩阵阶数，其中子整体域（SED）基函数方法因能按位置类型显著减少未知量而得到广泛应用，并已结合多种加速算法拓展至更多复杂结构。然而，这类方法在构建包含所有单元间互耦的缩减矩阵时仍存在效率瓶颈。研究团队此前利用人工神经网络预测SED基函数展开系数，借助数据映射加速计算，但受限于经典计算范式，模型在学习性能上依旧存在不足。
针对这一难题，该研究首次将量子计算范式引入大规模有限周期结构的电磁分析，提出了一种混合变分量子算法增强的SED基函数方法（SED-HVQA）。研究框架包括两步：一是通过SED方法获取三类位置相关基函数；二是利用HVQA建模单元间互耦关系，通过输入结构参数信息至三组训练好的HVQA模型，预测各单元展开系数。
图1. SED-HVQA方法架构图
该模型创新性地将参数信息映射至量子增强特征空间，仅需个位数量子比特即可完成编码与演化，远低于现有中尺度量子器件的可用规模。最终，研究团队在量子模拟器上完成数值实验，结果显示SED-HVQA能够快速、精确地计算出有限周期结构的电磁特性。尤其在边角单元等强边缘效应场景下，学习效率提升27%–62%。此外，在训练样本数缩减至10%时，模型在全类型单元上展现出22%–59%的鲁棒性提升。
图2. SED-HVQA的学习效率和鲁棒性相较于经典神经网络大幅提升
该研究通过SED方法与混合量子算法的深度融合，突破了经典神经网络在学习性能和样本依赖方面的局限，开辟了量子计算辅助电磁仿真的新路径，为高效设计频率选择表面、超表面及相控阵天线等周期结构提供了创新性解决方案。
论文信息
B. B. Song, T. Liu, F. X. Meng, W. Yang, and W. B. Lu, “Hybrid Variational Quantum Algorithm Enhanced Subentire-Domain Basis Functions Method with High Learning Efficiency and Better Robustness,” IEEE Trans. Antennas Propag., IEEE Early Access, Jun. 2025.
https://ieeexplore.ieee.org/document/11036609
京公网安备 11010802027423号