[ad_1]
Korporacja badawcza non-profit i międzynarodowy bank badają wykorzystanie hybrydowych obliczeń kwantowo-klasycznych w celu poprawy prognozowania pogody. Obliczenia kwantowo-klasyczne mogą przetwarzać duże ilości danych równolegle, co czyni je idealnymi do modelowania złożonych systemów, takich jak pogoda. Oczekuje się, że globalny rynek prognozowania pogody, wyceniony na 2,39 mld USD w 2022 r., będzie rósł o ponad 6% rocznie w ciągu najbliższych sześciu lat. Naukowcy testują elastyczny algorytm Hybrid Quantum Reservoir Computing (HQRC) na problemach związanych z pogodą. Zespół przeprowadził eksperyment proof-of-concept na OQC Lucy, komputerze kwantowym, uzyskując obiecujące wyniki.
Potencjał obliczeń kwantowo-klasycznych w prognozowaniu pogody
Systemy pogodowe są z natury złożone, z licznymi zmiennymi oddziałującymi w sposób nieliniowy. Tradycyjne metody obliczeniowe często mają trudności z dokładnym uchwyceniem zawiłości tych systemów ze względu na wysokie wymagania obliczeniowe wymagane do przewidywania. Niewielkie błędy w modelach mogą prowadzić do znacznych rozbieżności w wynikach prognoz. Jednak obliczenia kwantowo-klasyczne oferują obiecującą drogę ze względu na ich zdolność do równoległego przetwarzania ogromnych ilości danych, dzięki czemu dobrze nadają się do modelowania systemów chaotycznych.
W 2022 r. globalny rynek prognozowania pogody osiągnął wartość 2,39 mld USD, a prognozy wskazują na złożoną roczną stopę wzrostu (CAGR) na poziomie ponad 6% w ciągu najbliższych sześciu lat. Wzrost ten jest napędzany przede wszystkim przez rosnące zapotrzebowanie na dokładne prognozy w obliczu nieprzewidywalnych warunków klimatycznych i zmian energetycznych. Duża część prognoz dotyczy prognozowania opadów, co ma kluczowe znaczenie dla firm i branż na całym świecie, które muszą wykorzystywać rozwiązania prognostyczne w celu optymalizacji operacji i proaktywnego zarządzania ryzykiem związanym z wpływami pogodowymi.
Ograniczenia obecnych metod prognozowania
Prognozowanie pogody jest niepewne ze względu na chaotyczne zachowanie w dynamice atmosfery. Systemy chaotyczne są ważne ze względu na ich powszechność w zjawiskach takich jak wzorce klimatyczne, dynamika pogody i rynki finansowe. Prognozowanie tych systemów chaotycznych jest wyzwaniem w naukach obliczeniowych ze względu na złożoność ich zachowania, z niewielkimi błędami w warunkach początkowych lub parametrach modelu prowadzącymi do znacznych rozbieżności w wynikach prognoz.
Hybrid Quantum Reservoir Computing (HQRC)
Obliczenia kwantowe mają potencjał, ale ich obecne praktyczne zastosowania są ograniczone przez ograniczenia sprzętowe i złożoność rzeczywistych zbiorów danych. Niezależna korporacja badawcza non-profit i międzynarodowy bank były zainteresowane zbadaniem potencjału elastycznego hybrydowego algorytmu kwantowo-klasycznego, który mógłby dostosować się do możliwości istniejących komputerów kwantowych, zachowując jednocześnie zdolność do przetwarzania ogromnych ilości danych wymaganych do dokładnego prognozowania. Postanowili zbudować HQRC, który ma regulowaną strukturę, aby dopasować się do wymagań obecnego sprzętu i przetestować go na niskowymiarowych problemach proxy związanych z pogodą/klimatem.
Reservoir Computing (RC) i jego rola w modelowaniu systemów chaotycznych
Reservoir Computing (RC) jest alternatywą dla modelowania systemów chaotycznych, ponieważ analizuje dane czasowe, szczególnie w kontekście sekwencyjnego przewidywania i zadań rozpoznawania wzorców. Jego kwantowy odpowiednik, Quantum Reservoir Computing (QRC), bada nieuporządkowaną dynamikę w ramach kwantowych. Od prognozowania pogody po analizę rynków finansowych, zrozumienie i przewidywanie złożonych, chaotycznych zachowań ma kluczowe znaczenie dla podejmowania decyzji i planowania w wielu dziedzinach.
Jednym z często przytaczanych przykładów jest chaotyczny model Lorenza63. Model Lorenza63 jest prostą matematyczną reprezentacją chaotycznego zachowania w systemie. Model ten, zaproponowany przez Edwarda Lorenza w 1963 roku, ma trzy zmienne, które zmieniają się w czasie w nieprzewidywalny sposób. Algorytmy obliczeniowe zbiorników, w tym HQRC, wykorzystują model Lorenza63 jako standardowy punkt odniesienia do oceny wydajności w przewidywaniu dynamiki chaotycznej. Trenując model RC na obserwacjach zmiennych stanu systemu Lorenz63, można ocenić zdolność modelu do dokładnego prognozowania przyszłych trajektorii i uchwycenia chaotycznego zachowania systemu.
Przyszłość HQRC w prognozowaniu pogody
Zespół przetestował HQRC w eksperymencie proof-of-concept na OQC Lucy. Uzyskane wyniki odpowiadają bezszumowym symulacjom dla konfiguracji ze zmniejszonym poziomem szumów i 10 000 strzałów na pomiar. Otwiera to drogę do zbadania bardziej złożonych implementacji HQRC i skalowania architektury w celu rozwiązania problemów o większej liczbie wymiarów za pomocą chipu OQC Toshiko, który może obsługiwać znacznie więcej kubitów. Zidentyfikowali również, że HQRC klasy produkcyjnej wymagałoby mniejszych opóźnień i dalszej optymalizacji kodu.
[ad_2]