اپتیک و کوانتوم

تکنیک‌های همسان‌سازی داده‌ها به طور گسترده در NWP در دو دهه گذشته برای اصلاح شرایط اولیه مدل‌های آب‌وهوا با ترکیب پیش‌بینی‌های مدل و داده‌های مشاهده‌ای مورد بررسی قرار گرفته‌اند. اکثر مراکز NWP در سرتاسر جهان از روش‌های همسان‌سازی داده‌های متغیر و مجموعه-تغییر استفاده می‌کنند که به طور مکرر توابع هزینه را از طریق بهینه‌سازی مبتنی بر گرادیان کاهش می‌دهند. با این حال، این روش ها به منابع محاسباتی قابل توجهی نیاز دارند. اخیرا محاسبات کوانتومی به عنوان یک راه جدید از فناوری محاسباتی ظهور کرده است که راه حلی امیدوارکننده برای غلبه بر چالش های محاسباتی رایانه های کلاسیک ارائه می دهد.

کامپیوترهای کوانتومی می توانند از اثرات کوانتومی مانند تونل زنی، برهم نهی و درهم تنیدگی برای کاهش قابل توجه نیازهای محاسباتی استفاده کنند. ماشین های آنیل کوانتومی، به ویژه، برای حل مسائل بهینه سازی قدرتمند هستند. پروفسور شونجی کوتسوکی از موسسه تحقیقات پیشرفته آکادمیک/مرکز سنجش از دور محیطی/مؤسسه تحقیقات پزشکی بلایای طبیعی دانشگاه چیبا به همراه همکارانش فومیتوشی کاوازاکی از دانشکده تحصیلات تکمیلی علوم در مطالعه‌ای که در ProcessesNonlinearinGeophysicمنتشر شده است. مهندسی و Masanao Ohashi از مرکز سنجش از دور محیطی، با یک تکنیک جدید شبیه‌سازی داده‌ها را طراحی کردند که برای ماشین‌های آنیل کوانتومی طراحی شده است.

پروفسور کوتسوکی توضیح می دهد: "مطالعه ما یک رویکرد جدید آنیل کوانتومی را برای تسریع یکسان سازی داده ها معرفی می کند، که گلوگاه محاسباتی اصلی برای پیش بینی های عددی آب و هوا است. با این الگوریتم، ما برای اولین بار با موفقیت یکسان سازی داده ها را بر روی آنیل های کوانتومی حل کردیم." در این مطالعه، محققان بر روی روش همسان سازی داده های متغیر چهار بعدی (4DVAR)، یکی از پرکاربردترین روش های همسان سازی داده ها در سیستم های NWP تمرکز کردند. با این حال، از آنجایی که 4DVAR برای رایانه های کلاسیک طراحی شده است، نمی توان آن را مستقیماً روی سخت افزار کوانتومی استفاده کرد. پروفسور کوتسوکی می گوید، "برخلاف 4DVAR معمولی، که به تابع هزینه و گرادیان آن نیاز دارد، آنیل کننده های کوانتومی فقط به تابع هزینه نیاز دارند. با این حال، تابع هزینه باید با متغیرهای باینری (0 یا 1) نمایش داده شود. بنابراین، ما دوباره فرمول بندی کردیم. تابع هزینه 4DVAR، یک مسئله بهینه سازی بدون محدودیت درجه دوم (QUO)، به یک مسئله بهینه سازی باینری بدون محدودیت درجه دوم (QUBO) که آنیل کوانتومی می تواند آن را حل کند."

محققان این رویکرد QUBO را برای یک سری آزمایش‌های 4DVAR با استفاده از مدل 40 متغیری Lorentz-96، که یک سیستم دینامیکی است که معمولاً برای آزمایش همسان‌سازی داده‌ها استفاده می‌شود، اعمال کردند. آن‌ها این آزمایش‌ها را با استفاده از آنیل‌کننده کوانتومی فیزیکی D-Wave Advantage یا Phy-QA و آنیل‌کننده کوانتومی شبیه‌سازی‌شده Fixstars Amplify یا Sim-QA انجام دادند. علاوه بر این، آنها رویکردهای تکراری مبتنی بر شبه نیوتن را با استفاده از فرمول Broyden-Fletcher-Goldfarb-Shanno در حل مسائل QUO خطی و غیرخطی آزمایش کردند و عملکرد آنها را با آنیل کننده های کوانتومی مقایسه کردند. نتایج نشان داد که آنیل‌کننده‌های کوانتومی آنالیز را با دقتی قابل مقایسه با رویکردهای معمولی مبتنی بر شبه نیوتن، اما در کسری از زمانی که صرف کردند، تولید کردند.  Phy-QA D-Waveبه کمتر از 0.05 ثانیه برای محاسبات نیاز دارد که بسیار سریعتر از روش های معمولی است. با این حال، خطاهای میانگین مربعات ریشه کمی بزرگتر را نیز نشان داد که محققان آن را به اثرات کوانتومی تصادفی ذاتی نسبت دادند. برای رسیدگی به این موضوع، آنها دریافتند که خواندن راه حل های متعدد از آنیلر کوانتومی ثبات و دقت را بهبود می بخشد. آنها همچنین خاطرنشان کردند که ضریب مقیاس برای همسان سازی داده های کوانتومی، که برای تنظیم دقت تجزیه و تحلیل مهم است، برای D-Wave Phy-QA و Sim-QA متفاوت است، به دلیل اثرات کوانتومی تصادفی مرتبط با آنیلر قبلی. این یافته ها نقش کامپیوترهای کوانتومی را در کاهش هزینه محاسباتی داده ها نشان می دهد. پروفسور می گوید: "رویکرد ما می تواند سیستم های NWP آینده را متحول کند، درک عمیق تر و پیش بینی های بهبود یافته با زمان محاسباتی بسیار کمتر را امکان پذیر می کند. علاوه بر این، این پتانسیل را دارد که کاربردهای عملی آنیل کننده های کوانتومی در حل مسائل بهینه سازی پیچیده در علم زمین را پیش ببرد." به طور کلی، روش ابتکاری پیشنهادی نویدبخشی برای الهام بخشیدن به کاربردهای آینده کامپیوترهای کوانتومی در پیشبرد همسان سازی داده ها است که به طور بالقوه منجر به پیش بینی های دقیق آب و هوا می شود.

More information: Shunji Kotsuki et al, Quantum data assimilation: a new approach to solving data assimilation on quantum annealers, Nonlinear Processes in Geophysics (2024)