Kwantowo-klasyczny hybryd: dokładność prognozy turbulencji +20%

Hybryda kwantowo-klasyczna zwiększa dokładność prognozowania turbulencji o 20%

Naukowcy z University College London (UCL) opracowali hybrydową metodę łączącą obliczenia kwantowe i sztuczną inteligencję, która pozwala dokładniej przewidywać zachowanie systemów chaotycznych, takich jak przepływy turbulentne. Nowe podejście wymaga 100 razy mniej pamięci w porównaniu z klasycznymi modelami i wykazuje wzrost dokładności o około 20%. Praca została opublikowana w recenzowanym czasopiśmie i opiera się na eksperymentach z 20-kubitowym komputerem kwantowym IQM zintegrowanym z zasobami superkomputerowymi.

Jak działa metoda hybrydowa

Podstawą metody jest podział zadań: komputer kwantowy jest używany tylko na etapie wydobywania kluczowych prawidłowości statystycznych z danych, a główne uczenie modelu odbywa się na klasycznym superkomputerze. Takie podejście pozwala uniknąć problemów związanych z szumem i błędami współczesnych urządzeń kwantowych, które pojawiają się przy ciągłej pracy.

Komputer kwantowy analizuje szeregi czasowe i wyodrębnia niezmiennicze właściwości statystyczne – cechy, które pozostają stałe w czasie nawet w systemach chaotycznych. Właściwości te są następnie przekazywane klasycznemu modelowi uczenia maszynowego, który wykorzystuje je jako dodatkowe punkty odniesienia do prognozowania.

Dlaczego jest to ważne dla prognozowania chaosu

Systemy chaotyczne, takie jak turbulencja, są niezwykle wrażliwe na warunki początkowe. Błędy w prognozach szybko narastają, czyniąc długoterminowe przewidywania zawodnymi. Tradycyjne metody wymagają albo kosztownych pełnych symulacji, albo uproszczonych modeli, które tracą dokładność na długich przedziałach czasowych.

Nowe podejście hybrydowe rozwiązuje ten problem dzięki bardziej zwartej reprezentacji danych. Kubity dzięki superpozycji i splątaniu mogą przechowywać większą ilość informacji w mniejszej liczbie stanów. Pozwala to modelowi wychwytywać dalekie zależności w systemie, które są niedostępne dla klasycznych algorytmów.

Kluczowe zalety metody

• Zwiększenie dokładności o 20% w porównaniu z klasycznymi modelami uczenia maszynowego.
• Zmniejszenie wymagań pamięciowych 100-krotnie dzięki kwantowej kompresji danych.
• Stabilność prognoz na długich przedziałach czasowych.
• Praktyczna wykonalność na istniejącym sprzęcie kwantowym.

Co ważne

• Podejście hybrydowe wykorzystuje komputer kwantowy tylko na jednym etapie, unikając problemów z szumem.
• Metoda wykazała praktyczną przewagę kwantową w zadaniu fizyki obliczeniowej.
• Wyniki uzyskano na rzeczywistym 20-kubitowym komputerze kwantowym, a nie na symulatorze.
• Dalsze badania mają na celu sprawdzenie metody na bardziej złożonych systemach i opracowanie podstaw teoretycznych.

Perspektywy zastosowań

Choć autorzy nie czynią głośnych deklaracji o natychmiastowej rewolucji w modelowaniu klimatu, praca otwiera drogę do praktycznego wykorzystania obliczeń kwantowych w zadaniach wymagających długoterminowego prognozowania złożonych systemów. Może to znaleźć zastosowanie w:

• Hydrodynamice i aerodynamice (projektowanie statków powietrznych, elektrowni wiatrowych).
• Modelach klimatycznych (prognozowanie pogody i zmian klimatu).
• Medycynie (modelowanie przepływu krwi).
• Energetyce (optymalizacja procesów spalania).

Znaczenie dla branży

Praca UCL to jeden z nielicznych przykładów, gdzie komputer kwantowy przynosi wymierne korzyści w rzeczywistym zadaniu obliczeniowym. Może to stymulować rozwój architektur hybrydowych, w których urządzenia kwantowe pełnią wyspecjalizowane funkcje, zamiast próbować całkowicie zastąpić klasyczne komputery.

— Editorial Team