یادگیری ماشین کوانتومی ممکن است پیش‌بینی هوا را بهبود ببخشد

این شرکت با بهره‌گیری از جریان‌های کاری موجود یادگیری ماشین، ترکیبی از تکنیک‌های یادگیری ماشین کلاسیکی و کوانتومی را به کار برده تا داده‌های مصنوعی رادار هواشناسی با کیفیت بالا تولید کرده و مدل‌های کلاسیکی پیش‌بینی طوفان را بهبود بخشد. این کار بر روی سیستم ۳۲ کیوبیتی Rigetti انجام شده و نشان می‌دهد که کاربردهای عملی در سخت‌افزارهای کوانتومی نزدیک‌مدت در دسترس هستند.

چد ریگتی، بنیان‌گذار و مدیرعامل Rigetti Computing، گفت: «این نتایج زمینه را برای دستیابی به برتری کوانتومی در یک مسئله عملی و با تأثیر بالا فراهم می‌کند. ما نشان دادیم که کامپیوترهای کوانتومی می‌توانند به طور مؤثری در جریان‌های کاری پیشرفته کلاسیکی ادغام شوند و وظایفی با اهمیت واقعی را انجام دهند.»

پیش‌بینی هوا در بخش خصوصی ایالات متحده یک صنعت هفت میلیارد دلاری است که در حال رشد است، طبق مطالعه‌ای که در سال ۲۰۱۷ توسط سرویس ملی هواشناسی انجام شده است. این مطالعه تخمین می‌زند که کسب‌وکارها می‌توانند تا ۱۳ میلیارد دلار ارزش اقتصادی از داده‌های هواشناسی اختصاصی برای کاربردهای مختلف مرتبط با آب و هوا کسب کنند. همچنین نشان می‌دهد که بهبودهای مداوم در پیش‌بینی هوا می‌تواند منجر به افزایش قابل توجه ارزش اقتصادی در همه بخش‌ها شود، زیرا کسب‌وکارها و دولت‌ها بهتر می‌توانند برای مقابله با بلایا آماده شوند، ریسک‌ها را کاهش دهند و تصمیمات حیاتی اتخاذ کنند.

مدل‌های یادگیری ماشین مولد به عنوان ابزار قدرتمندی برای افزایش قابلیت‌های پیش‌بینی ظاهر شده‌اند. یکی از این مدل‌ها، قابلیت بارش در دریا (OPC) است که یک شبکه عصبی پیچشی توسعه یافته توسط آزمایشگاه لینکلن MIT است. OPC چندین ورودی از جمله تصاویر ماهواره‌ای، داده‌های صاعقه، و مدل‌های عددی را ترکیب می‌کند تا داده‌های مصنوعی شبیه رادار برای مناطقی که تحت پوشش رادار هواشناسی سنتی نیستند تولید کند. این مدل‌ها در تصمیم‌گیری‌های مهم مانند مدیریت ترافیک هوایی دریایی برای هوانوردی غیرنظامی و نظامی کاربرد دارند.

در یک مطالعه جدید که امروز منتشر شد، شرکت Rigetti رویکرد هیبریدی کوانتومی را نشان داد که عملکردی برابر با مدل پایه کلاسیکی داشت، با استفاده از داده‌های مصنوعی تولید شده توسط یک مدل یادگیری ماشین کوانتومی نظارت‌شده. آنها همچنین دریافتند که جایگزینی یک لایه از شبکه عصبی کلاسیکی OPC با یک لایه کانولوشنال کوانتومی، توانایی مدل را در پیش‌بینی هوای نامساعد بهبود می‌بخشد.

مت ریگار، معاون مهندسی کوانتومی در Rigetti، گفت: «ما معتقدیم که کامپیوترهای کوانتومی زمانی بیشترین ارزش را خواهند داشت که در کنار کامپیوترهای کلاسیکی عمل کنند. این نتایج تأیید می‌کند که زیرروال‌های کوانتومی می‌توانند مستقیماً در یک جریان کاری عملی یادگیری ماشین وارد شوند. علاوه بر این، تکنیک‌هایی که توسعه دادیم قابل انتقال به کاربردهایی در حوزه‌های دیگر مانند امور مالی محاسباتی، ژنومیک و پردازش تصویر هستند.»

Rigetti این یافته‌ها را در کارگاه هوش مصنوعی برای کمک‌های بشردوستانه و پاسخ به بلایا که در ۱۳ دسامبر و به صورت مجازی در کنفرانس NeurIPS 2021 برگزار می‌شود، ارائه خواهد کرد.

این پژوهش تا حدی توسط دولت ایالات متحده تأمین مالی شده است. دیدگاه‌ها و نتیجه‌گیری‌های مطرح شده در این سند متعلق به نویسندگان است و نباید به عنوان نماینده سیاست‌های رسمی، چه بیان شده و چه تلویحی، دولت ایالات متحده تعبیر شود.