Квантовая ассимиляция данных предлагает новый подход к прогнозированию погоды

Важные новости

Предложения по квантовой ассимиляции данных новый подход к прогнозированию погоды

Концептуальный образ квантового отжига. Авторы и права: Нелинейные процессы в геофизике (2024). DOI: 10.5194/npg-31-237-2024

Ассимиляция данных — это математическая дисциплина, которая объединяет наблюдаемые данные и числовые модели для улучшения интерпретации и прогнозирования динамических систем. Это важнейший компонент наук о Земле, особенно в численном прогнозе погоды (ЧПП).

В последние два десятилетия в ЧПП широко исследовались методы ассимиляции данных с целью уточнения начальных условий моделей погоды путем объединения прогнозов моделей и данных наблюдений. Большинство центров ЧПП по всему миру используют вариационные и ансамбльно-вариационные методы ассимиляции данных, которые итеративно уменьшают функции стоимости посредством оптимизации на основе градиента. Однако эти методы требуют значительных вычислительных ресурсов.

В последнее время квантовые вычисления стали новым направлением вычислительных технологий, предлагающим многообещающее решение для преодоления вычислительных проблем классических компьютеров.

Квантовые компьютеры могут использовать преимущества квантовых эффектов, таких как туннелирование, суперпозиция и запутанность, чтобы значительно снизить вычислительные затраты. Машины квантового отжига, в частности, эффективны для решения задач оптимизации.

В исследовании, опубликованном в журнале Нелинейные процессы в геофизикеПрофессор Сюндзи Коцуки из Института передовых академических исследований/Центра дистанционного зондирования окружающей среды/Научно-исследовательского института медицины катастроф Университета Тиба вместе со своими коллегами Фумитоши Кавасаки из Высшей школы науки и техники и Масанао Охаси из Центра экологического дистанционного зондирования Компания Sensing разработала новый метод усвоения данных, предназначенный для машин квантового отжига.

«Наше исследование представляет новый подход квантового отжига для ускорения усвоения данных, что является основным вычислительным узким местом для численных прогнозов погоды. С помощью этого алгоритма мы впервые успешно решили ассимиляцию данных на квантовых отжигателях», — объясняет профессор Коцуки.

В исследовании исследователи сосредоточились на методе четырехмерной вариационной ассимиляции данных (4DVAR), одном из наиболее широко используемых методов ассимиляции данных в системах ЧПП. Однако, поскольку 4DVAR разработан для классических компьютеров, его нельзя напрямую использовать на квантовом оборудовании.

Профессор Коцуки говорит: «В отличие от обычного 4DVAR, который требует функции стоимости и ее градиента, квантовым отжигателям требуется только функция стоимости. Однако функция стоимости должна быть представлена ​​двоичными переменными (0 или 1). Поэтому мы переформулировали Функция стоимости 4DVAR, задача квадратичной неограниченной оптимизации (QUO), в задачу квадратичной неограниченной бинарной оптимизации (QUBO), которую могут решить квантовые отжиги».

Исследователи применили этот подход QUBO к серии экспериментов 4DVAR. используя модель Лоренца-96 с 40 переменными, которая представляет собой динамическую систему, обычно используемую для проверки усвоения данных.

Они провели эксперименты, используя физический квантовый отжиг D-Wave Advantage, или Phy-QA, и имитируемый квантовый отжиг Fixstars Amplify, или Sim-QA. Кроме того, они протестировали традиционно используемые итерационные подходы, основанные на квазиньютоне, используя формулу Бройдена-Флетчера-Гольдфарба-Шанно, при решении линейных и нелинейных задач QUO и сравнили их производительность с эффективностью квантовых отжигов.

Результаты показали, что квантовые отжиги производят анализ с точностью, сравнимой с традиционными подходами, основанными на квазиньютоне, но за гораздо меньшее время.

Для вычислений Phy-QA D-Wave требовалось менее 0,05 секунды, что намного быстрее, чем традиционные подходы. Однако он также показал несколько большие среднеквадратические ошибки, которые исследователи объяснили внутренними стохастическим квантовыми эффектами.

Чтобы решить эту проблему, они обнаружили, что считывание нескольких решений из квантового отжига повышает стабильность и точность. Они также отметили, что коэффициент масштабирования для ассимиляции квантовых данных, который важен для регулирования точности анализа, был разным для D-Wave Phy-QA и Sim-QA из-за стохастических квантовых эффектов, связанных с первым отжигом. /p>

Эти результаты указывают на роль квантовых компьютеров в снижении вычислительных затрат на ассимиляцию данных.

«Наш подход может произвести революцию в будущих системах ЧПП, обеспечивая более глубокое понимание и улучшение прогнозов с гораздо меньшими вычислительными затратами. Кроме того, у него есть потенциал для продвижения практического применения квантовых отжигов при решении сложных задач оптимизации в науках о Земле», — говорит профессор Коцуки.

В целом, предлагаемый инновационный метод имеет большие перспективы для вдохновения. будущие применения квантовых компьютеров для улучшения усвоения данных, что потенциально приведет к более точным прогнозам погоды.

Дополнительная информация: Сюнджи Коцуки и др., Квантовая ассимиляция данных: новый подход к решению проблемы усвоения данных на квантовых отжигателях, Нелинейные процессы в геофизике (2024). DOI: 10.5194/npg-31-237-2024

Предоставлено Университетом Тиба

Новости сегодня

Последние новости