یادگیری ماشین کوانتومی ممکن است پیش‌بینی هوا را بهبود ببخشد

شرکت Rigetti Computing، پیشگام در حوزه محاسبات هیبریدی کوانتومی-کلاسیکی، امروز اعلام کرد که راه‌حل مؤثری برای مسئله مدل‌سازی هوا با استفاده از کامپیوترهای کوانتومی توسعه داده است. 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.