論文の概要: Hybrid Quantum-Classical Spatiotemporal Forecasting for 3D Cloud Fields

• arxiv url: http://arxiv.org/abs/2603.29407v1
• Date: Tue, 31 Mar 2026 08:12:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.3424
• Title: Hybrid Quantum-Classical Spatiotemporal Forecasting for 3D Cloud Fields
• Title（参考訳）: 3次元クラウドのためのハイブリッド量子-古典時空間予測
• Authors: Fu Wang, Qifeng Lu, Xinyu Long, Meng Zhang, Xiaofei Yang, Weijia Cao, Xiaowen Chu,
• Abstract要約: 本稿では,3次元クラウド予測のためのハイブリッド量子古典時間フレームワークQENOを提案する。 実験の結果、QENOは代表的ベースラインより一貫して優れていた。 これらの結果は,3次元クラウド構造予測において,トポロジーを考慮したハイブリッド量子古典的特徴モデリングが有望な方向であることを示唆している。
• 参考スコア（独自算出の注目度）: 17.43641088991807
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate forecasting of three-dimensional (3D) cloud fields is important for atmospheric analysis and short-range numerical weather prediction, yet it remains challenging because cloud evolution involves cross-layer interactions, nonlocal dependencies, and multiscale spatiotemporal dynamics. Existing spatiotemporal prediction models based on convolutions, recurrence, or attention often rely on locality-biased representations and therefore struggle to preserve fine cloud structures in volumetric forecasting tasks. To address this issue, we propose QENO, a hybrid quantum-inspired spatiotemporal forecasting framework for 3D cloud fields. The proposed architecture consists of four components: a classical spatiotemporal encoder for compact latent representation, a topology-aware quantum enhancement block for modeling nonlocal couplings in latent space, a dynamic fusion temporal unit for integrating measurement-derived quantum features with recurrent memory, and a decoder for reconstructing future cloud volumes. Experiments on CMA-MESO 3D cloud fields show that QENO consistently outperforms representative baselines, including ConvLSTM, PredRNN++, Earthformer, TAU, and SimVP variants, in terms of MSE, MAE, RMSE, SSIM, and threshold-based detection metrics. In particular, QENO achieves an MSE of 0.2038, an RMSE of 0.4514, and an SSIM of 0.6291, while also maintaining a compact parameter budget. These results indicate that topology-aware hybrid quantum-classical feature modeling is a promising direction for 3D cloud structure forecasting and atmospheric Earth observation data analysis.
• Abstract（参考訳）: 3次元の雲場の正確な予測は大気分析や短距離の数値気象予測に重要であるが、雲の進化には層間相互作用、非局所的依存関係、マルチスケールの時空間力学が含まれるため、依然として困難である。 畳み込み、再発、注意に基づく既存の時空間予測モデルは、しばしば局所性バイアスのある表現に依存しているため、体積予測タスクにおいて微細な雲の構造を維持するのに苦労する。 この問題に対処するため、我々は3次元クラウドのためのハイブリッド量子インスパイアされた時空間予測フレームワークQENOを提案する。 提案アーキテクチャは,コンパクトな潜時表現のための古典的時空間エンコーダ,非局所的結合をモデル化するためのトポロジ対応量子拡張ブロック,測定から導出される量子特徴と繰り返しメモリを統合する動的融合時間ユニット,および将来の雲の体積を再構成するデコーダの4つのコンポーネントから構成される。 CMA-MESO 3D クラウドフィールドの実験では、QENO は、MSE、MAE、RMSE、SSIM、しきい値に基づく検出指標で、ConvLSTM、PredRNN++、Earthformer、TAU、SimVP の変種を含む代表ベースラインを一貫して上回っている。 特にQENOは、MSEが0.2038、RMSEが0.4514、SSIMが0.6291、コンパクトパラメータ予算が維持されている。 これらの結果は,3次元雲構造予測と大気地球観測データ解析において,トポロジーを考慮したハイブリッド量子古典的特徴モデリングが有望な方向であることを示唆している。

関連論文リスト

• Nowcast3D: Reliable precipitation nowcasting via gray-box learning [43.74533335638689]
  極端降水は高次元の忠実度とリードタイムを要求されるが、既存のアプローチは限られている。 我々は、レーダの動きと、データ駆動学習を伴う物理的に制約されたニューラル演算子を直接処理する、グレーボックスで完全な3時間放送フレームワークを導入する。 このフレームワークは、160人の気象学者によるブラインド評価において、より正確な3時間のリードタイムを達成する。
  論文  参考訳（メタデータ） (2025-11-06T18:44:35Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• UST-SSM: Unified Spatio-Temporal State Space Models for Point Cloud Video Modeling [53.199942923818206]
  ポイントクラウドビデオは、光と視点の変化の影響を低減しつつ3Dの動きを捉え、微妙で連続した人間の行動を認識するのに非常に効果的である。 SSM(Selective State Space Models)は、線形複雑性を伴うシーケンスモデリングにおいて優れた性能を示す。 我々は,SSMの最新の進歩をクラウドビデオに向け,統一時空間モデル(UST-SSM)を提案する。
  論文  参考訳（メタデータ） (2025-08-20T10:46:01Z)
• Quantum-Informed Machine Learning for Predicting Spatiotemporal Chaos [1.5216516276847551]
  本稿では,高次元カオスシステムの長期動的挙動に対する量子インフォームド・機械学習(QIML)フレームワークを提案する。 本研究では, 倉本-シヴァシンスキー方程式, 2次元コルモゴロフ流, 完全に発達した3次元乱流流の断面の3つの代表系についてQIMLを評価する。
  論文  参考訳（メタデータ） (2025-07-26T08:36:16Z)
• FourCastNet 3: A geometric approach to probabilistic machine-learning weather forecasting at scale [91.84761739154366]
  FourCastNet 3は、確率的アンサンブル予測にスケーラブルで幾何学的な機械学習(ML)アプローチを実装することで、グローバルな気象モデリングを推進している。 FourCastNet 3は、従来のアンサンブルモデルを上回る予測精度を提供し、最良の拡散ベースのメソッドに匹敵する。 その計算効率、中距離確率的スキル、スペクトルの忠実度、およびサブシーズンタイムスケールでのロールアウト安定性は、大規模なアンサンブル予測を通じて気象予知と早期警報システムを改善するための強力な候補となる。
  論文  参考訳（メタデータ） (2025-07-16T11:22:18Z)
• Atmos-Bench: 3D Atmospheric Structures for Climate Insight [0.0]
  532nmと355nmの3D散乱量から921,600個の画像スライスを生成するAtmos-Benchを、384の陸域時間ステップで拡張COSPシミュレータと結合し、高品質なボクセル参照を出力し、(b)モデルアーキテクチャにABB-BC物理制約を埋め込み、復元時のエネルギー一貫性を促進、(c)355nmと532nmの両方にわたるAtmos-Benchデータセットの一貫性のある改善を実現した。
  論文  参考訳（メタデータ） (2025-07-15T08:27:29Z)
• Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
  時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。 既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。 本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
  論文  参考訳（メタデータ） (2024-11-14T07:34:31Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• Multiscale Spatio-Temporal Graph Neural Networks for 3D Skeleton-Based Motion Prediction [92.16318571149553]
  本稿では,次世代の3次元骨格型人間のポーズを予測するため,マルチスケール・テンポラルグラフニューラルネットワーク(MST-GNN)を提案する。 MST-GNNは、短期および長期の動作予測において最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-08-25T14:05:37Z)
• Physics-informed Tensor-train ConvLSTM for Volumetric Velocity Forecasting of Loop Current [6.016102212809306]
  ループカレント(英: Loop Current)は、メキシコ湾におけるループカレント(LC)の速度、垂直構造、持続時間の週間予測である。 本稿では3次元地理空間データ予測のための物理インフォームド空間訓練ConvLSTMの有効性を示す。
  論文  参考訳（メタデータ） (2020-08-04T19:55:57Z)

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。