Quantum Method of Calculating Multiport S-Parameter Magnitudes Based on FEM for Microwave Components: An HHL Framework
Notice bibliographique
Résumé
Quantum computing in the electromagnetic (EM) field represents a transformative frontier with significant potential for advancement. Recent studies have demonstrated the potential of quantum computing for solving waveguide mode problems, solving finite element method (FEM) equations for EM problems, and scaling the FEM solution. Among these applications, the Harrow–Hassidim–Lloyd (HHL) algorithm is an algorithm with large quantum advantages and has attracted attention. However, existing quantum methods remain constrained by the problem that the quantum-based FEM solution only obtains electric field magnitude and lacks phase information. The lack of phase information results in the inability to solve an important characteristic of EM problems: scattering parameters (S-parameters). To address the above issue, this work proposes a novel quantum method of calculating multiport S-parameter magnitudes based on FEM and HHL algorithm for microwave components. The proposed method introduces novel mathematical formulations optimized for quantum architectures. To streamline the quantum computation process and avoid the need for multiple quantum circuit simulations for each S-parameter, we design an integrated quantum circuit capable of computing magnitudes of all multiport S-parameters within a single execution. Furthermore, a specific matrix-scaling method is also developed to simplify the proposed circuits. The specific matrix-scaling method is used to improve the condition of the FEM matrix and reduce the complexity of the designed quantum circuits. The proposed method is validated using two microwave structures, demonstrating how our proposed quantum method computes S-parameter magnitudes in practical EM applications.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».