論文の概要: Potential of quantum scientific machine learning applied to weather modelling

• arxiv url: http://arxiv.org/abs/2404.08737v1
• Date: Fri, 12 Apr 2024 18:01:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-16 19:02:07.899536
• Title: Potential of quantum scientific machine learning applied to weather modelling
• Title（参考訳）: 気象モデリングに応用した量子科学機械学習の可能性
• Authors: Ben Jaderberg, Antonio A. Gentile, Atiyo Ghosh, Vincent E. Elfving, Caitlin Jones, Davide Vodola, John Manobianco, Horst Weiss,
• Abstract要約: 実世界のグローバルストリーム関数を4degの解像度で再現するために量子モデルをいかに訓練するかを示す。 次に、トレーニングされたモデルを用いて、人工的な初期気象状態から、目に見えない将来のダイナミクスを高精度に予測する。
• 参考スコア（独自算出の注目度）: 0.39765724362274574
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work we explore how quantum scientific machine learning can be used to tackle the challenge of weather modelling. Using parameterised quantum circuits as machine learning models, we consider two paradigms: supervised learning from weather data and physics-informed solving of the underlying equations of atmospheric dynamics. In the first case, we demonstrate how a quantum model can be trained to accurately reproduce real-world global stream function dynamics at a resolution of 4{\deg}. We detail a number of problem-specific classical and quantum architecture choices used to achieve this result. Subsequently, we introduce the barotropic vorticity equation (BVE) as our model of the atmosphere, which is a $3^{\text{rd}}$ order partial differential equation (PDE) in its stream function formulation. Using the differentiable quantum circuits algorithm, we successfully solve the BVE under appropriate boundary conditions and use the trained model to predict unseen future dynamics to high accuracy given an artificial initial weather state. Whilst challenges remain, our results mark an advancement in terms of the complexity of PDEs solved with quantum scientific machine learning.
• Abstract（参考訳）: 本研究では、気象モデリングの課題に取り組むために量子科学機械学習をどのように利用できるかを検討する。 パラメータ化量子回路を機械学習モデルとして用いて、気象データからの教師付き学習と、大気力学の基礎となる方程式の物理インフォームド解の2つのパラダイムを考察する。 まず, 4{\deg} の分解能で実世界のグローバルストリーム関数を正確に再現するために, 量子モデルをいかに訓練するかを示す。 この結果を達成するために用いられる問題固有の古典的および量子的アーキテクチャの選択について詳述する。 続いて,バロトロピック渦性方程式 (BVE) を大気モデルとして導入し,ストリーム関数の定式化において3-^{\text{rd}}$次偏微分方程式 (PDE) を導出する。 微分可能な量子回路アルゴリズムを用いて、適切な境界条件下でのBVEの解法を成功させ、トレーニングされたモデルを用いて、人工的な初期気象条件が与えられた場合、未確認未来のダイナミクスを高精度に予測する。 課題は残るが、量子科学機械学習によって解決されたPDEの複雑さの観点から、我々の結果は進歩している。

関連論文リスト

• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• Modeling Stochastic Chemical Kinetics on Quantum Computers [0.0]
  三分子反応ネットワークのシュルオグルモデルを用いて、量子アルゴリズムを用いて化学動力学をモデル化する方法を示す。 ノイズやノイズのない量子シミュレーションによる量子計算結果は、古典的に計算された固有値やゼロモードと数パーセント以内で一致します。
  論文  参考訳（メタデータ） (2024-04-12T18:53:38Z)
• Simulating prethermalization using near-term quantum computers [1.2189422792863451]
  本稿では,短期ディジタル量子コンピュータ上での動的特性と平衡特性を探索するための実験的プロトコルを提案する。 ハミルトンの関心の進化を比較的粗いトロッター分解でも熱化を研究することは可能であることを示す。
  論文  参考訳（メタデータ） (2023-03-15T09:04:57Z)
• Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
  量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。 量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。 ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
  論文  参考訳（メタデータ） (2022-12-21T19:00:04Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations [62.81701992551728]
  時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。 我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。 ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
  論文  参考訳（メタデータ） (2022-02-24T20:46:52Z)
• Quantum Model-Discovery [19.90246111091863]
  微分方程式を解くための量子アルゴリズムは、フォールトトレラントな量子コンピューティングシステムにおいて証明可能な優位性を示している。 我々は、短期量子コンピュータの適用性を、より一般的な科学的な機械学習タスクに拡張する。 本結果は,古典的および量子機械学習アプローチのインターフェースにおける量子モデル探索(QMoD)への有望な経路を示す。
  論文  参考訳（メタデータ） (2021-11-11T18:45:52Z)
• Quantum algorithms for quantum dynamics: A performance study on the spin-boson model [68.8204255655161]
  量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。 変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。 量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
  論文  参考訳（メタデータ） (2021-08-09T18:00:05Z)
• Quantum simulation of operator spreading in the chaotic Ising model [3.228427765222845]
  オフ・オブ・タイム・オーダード・コレレータ(OTOC)によるスクランブルの測定について検討する。 我々は、IBM Qプロセッサ、量子エラー軽減、およびトロッターシミュレーションを用いて、4スピンイジングモデルで拡散する高分解能演算子を研究する。 カオス的な状態に広がる弾道作用素の明確なシグネチャと、可積分な状態における作用素のローカライゼーションを見いだす。
  論文  参考訳（メタデータ） (2021-06-30T16:04:19Z)
• SE(3)-equivariant prediction of molecular wavefunctions and electronic densities [4.2572103161049055]
  本稿では,幾何点クラウドデータのためのディープラーニングアーキテクチャを構築するための汎用SE(3)-同変演算とビルディングブロックを紹介する。 本モデルでは,従来の最先端モデルと比較して,予測誤差を最大2桁まで低減する。 低精度参照波動関数で訓練されたモデルが電子的多体相互作用の正当性を暗黙的に学習するトランスファーラーニングアプリケーションにおいて、我々のアプローチの可能性を実証する。
  論文  参考訳（メタデータ） (2021-06-04T08:57:46Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。