Press "Enter" to skip to content

我国科学家首次将量子机器学习应用到数字地形领域

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

近日,中国科学院资源与环境信息系统国家重点实验室与本源量子合作,首次利用量子机器学习探索数字地形领域,实现了江西省武功山的数字地形模型降尺度。

 

 

武功山位于中国江西省中西部,山体呈东北—西南走向,主脉绵延120余千米,总面积约970平方千米

 

如何采用理论完备的方法实现外蕴量信息(如卫星遥感信息)与内蕴量信息(如地面观测信息)的有效集成,并解决生态环境曲面建模的误差问题、多尺度问题、非线性问题和大内存需求问题,一直以来是生态环境信息学面临的重要挑战。

 

为解决前述问题,科学家将生态环境要素的格网化表达抽象为数学“曲面”,并通过曲面论、系统论和优化控制论以及现代计算机技术的有机结合,创建了集成外蕴量和内蕴量信息的高精度曲面建模(HASM)方法。但这一方法仍有许多遗留问题亟待解决。

 

高精度曲面建模方法可将空间生态环境要素曲面建模,转换为求解大型稀疏线性代数方程组,该大型线性系统可运用HHL量子算法进行求解。2009年,Harrow、Hassidim、Lloyd三位学者提出了求解线性方程组的量子算法(简称HHL算法),该量子算法相对已知的最优经典算法具有指数级的速度提升。因此,研究人员将HASM机器学习与HHL量子算法耦合,并称为HASM-HHL量子机器学习。

 

 

HASM-HHL中的量子线路

 

此次,中国科学院资源与环境信息系统国家重点实验室领导的HASM研究团队与本源量子合作,基于本源量子的开源量子编程框架QPanda,实现有关量子算法编程,运用HASM-HHL量子机器学习算法,实现了江西省武功山的数字地形模型(DTM)降尺度。团队还研究了多种计算精度下,该算法对应量子线路的变化过程,验证了理想情况下,超算程序模拟的HHL量子算法,不仅能达到经典预处理共轭梯度法的计算精度,同时算法复杂度相对经典算法有效降低。相关成果发表在《科学通报》(Science Bulletin)上。

 

 

图片来自《科学通报》(Science Bulletin)

 

前述团队基于对HASM全局预测能力进行理论研究和数值实验基础上,选择江西省武功山地区为案例区开展实证研究,并通过QPanda提供的分布式计算框架,进行量子算法模拟。

 

实验表明,精度设置对HASM-HHL性能和量子线路参数有很大影响,量子计算对量子比特总数的需求依赖于计算域的栅格总数。经估算,运用HASM-HHL模拟整个地球表面时,在1公里×1公里的空间分辨率,需要40个量子比特;在1米×1米的空间分辨率,需要45个量子比特。结果表明,在充足的物理量子计算资源条件下,HASM-HHL算法具有更高求解精度,相对于经典算法有指数级加速效果。

 

 

计算域大小和操作HASM-HHL所需的量子比特总数之间的关系

 

此前,HASM方法已成功应用于各种空间尺度的数字高程模型构建,以及生态多样性变化、人口动态、土壤属性动态、食物供给动态、碳储量动态、二氧化碳浓度变化、气候变化和新冠传播动态等模拟分析。

 

基于此次研究,HASM-HHL算法可为前述各种数值应用提供新的算法框架,也为后续更多的复杂计算问题提供了新的思路。未来,这一算法有望在模拟分析地球表层系统,及其生态环境要素领域获得更广泛应用。

 

前述研究成果获得国家自然科学基金重点项目资助。

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注