MétaCan
Menu
Retour à la cohorte
Enregistrement W3208651741 · doi:10.1109/ims19712.2021.9574852

Quantum Method for Finite Element Simulation of Electromagnetic Problems

2021· article· en· W3208651741 sur OpenAlexaff
Jianan Zhang, Feng Feng, Qi‐Jun Zhang

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueQuantum Computing Algorithms and Architecture
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésFinite element methodSmoothed finite element methodMixed finite element methodApplied mathematicsExtended finite element methodComputer scienceQuantum computerhp-FEMQuantum algorithmMathematical optimizationComputational scienceFinite element limit analysisQuantumMathematicsAlgorithmBoundary knot methodPhysicsQuantum mechanicsBoundary element method

Résumé

récupéré en direct d'OpenAlex

Quantum simulation of electromagnetic (EM) structures is still in its infancy. In this paper, we investigate the possibility of applying quantum computing to solve the finite element equations for EM problems. Specifically, we propose to leverage a milestone in quantum computing, i.e., the Harrow/Hassidim/Lloyd (HHL) algorithm, to solve the finite element equations in the EM domain. To do this, we first present a systematic method to reformulate the finite element equations into quantum computation format and apply the HHL algorithm to solve the new equations. Taking advantage of the special properties of finite element matrices in EM problems, we then devise a stepwise algorithm to efficiently determine the suitable values for the hyperparameters of HHL. The proposed method can in theory solve the EM finite element equations in logarithmic time relative to the size of the finite element matrix. This is exponentially faster than that achievable by classical computation as the matrix size increases. A two-dimensional EM example is used to illustrate how the proposed method can be used to find the solutions to EM problems through quantum computation.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,254
Score d'incertitude au seuil0,333

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,017
Tête enseignante GPT0,284
Écart entre enseignants0,267 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetQuantum Computing Algorithms and ArchitectureTravaux en français237 207