量子-经典混合：湍流预测准确率提升20%

量子-经典混合方法将湍流预测精度提升20%

伦敦大学学院（UCL）的研究人员开发了一种结合量子计算与人工智能的混合方法，能够更准确地预测湍流等混沌系统的行为。新方法所需内存仅为经典模型的百分之一，且精度提升约20%。该研究发表于同行评审期刊，实验基于一台20量子比特的IQM量子计算机与超级计算资源的集成。

混合方法如何工作

该方法基于任务分工：量子计算机仅用于从数据中提取关键统计模式，而主要模型训练在经典超级计算机上完成。这种方式避免了现代量子设备在持续运行时产生的噪声和错误问题。

量子计算机分析时间序列并提取不变统计特性——即使在混沌系统中也能随时间保持的特征。这些特性随后传递给经典机器学习模型，作为预测的额外锚点。

为何这对混沌预测至关重要

混沌系统（如湍流）对初始条件极为敏感。预测误差会迅速增长，导致长期预报不可靠。传统方法要么需要昂贵的全模拟，要么采用简化模型，但后者在长时间间隔内会失去精度。

新的混合方法通过提供更紧凑的数据表示解决了这一问题。量子比特（qubits）凭借叠加和纠缠特性，能够在更少的状态中存储更多信息。这使得模型能够捕捉经典算法无法触及的系统长程相关性。

方法的主要优势

• 精度提升20%，相比经典机器学习模型。
• 内存需求降低100倍，得益于量子数据压缩。
• 长时间间隔内的稳定预测。
• 在现有量子硬件上具备实际可行性。

关键要点

• 混合方法仅在单一阶段使用量子计算机，避免了噪声问题。
• 该方法在计算物理任务中展示了实用的量子优势。
• 结果基于真实的20量子比特量子计算机，而非模拟器。
• 后续研究旨在更复杂系统上测试该方法，并发展理论基础。

应用前景

尽管作者并未宣称气候建模将立即发生革命，但该工作为量子计算在需要复杂系统长期预测的任务中的实际应用铺平了道路。可能的应用领域包括：

• 流体动力学与空气动力学（飞机设计、风电场）。
• 气候模型（天气与气候变化预测）。
• 医学（血流建模）。
• 能源（燃烧过程优化）。

行业意义

UCL的工作是少数几个量子计算机在真实计算任务中提供可衡量收益的案例之一。这可能推动混合架构的发展，其中量子设备执行专门功能，而非试图完全取代经典计算机。

— Editorial Team