Учёные из Университетского колледжа Лондона (UCL) представили инновационную модель искусственного интеллекта (ИИ), которая предсказывает турбулентность на 20% точнее, чем классические методы. Это важно для множества областей, включая климатические модели и аэродинамику, где высока стоимость ошибок в прогнозах.
Идея и инновации
Новая модель, названная QIML (Quantum-Informed Machine Learning), сочетает в себе классические нейросети и возможности квантовых вычислений. Она использует так называемый "квантовый априор" — сжатую статистическую информацию о поведении завихрений, чтобы снизить требования к памяти в сотни раз: вместо многомегабайтных датасетов используются лишь килобайты информации, что делает модель более эффективной.Проблема предсказания турбулентности заключается в сложной природе явления: одновременно действуют крупные структуры и мелкие завихрения, ошибки в которых при классическом подходе накапливаются. QIML делит задачу: крупные масштабы обрабатываются классической нейросетью, а квантовая модель Q-Prior учитывает мелкие детали, что улучшает предсказательную способность. На гипотетическом квантовом процессоре Q-Prior обучается один раз, а затем встраивается в классическую нейросеть для дальнейших вычислений.
Результаты и эффективность
Группа исследователей протестировала новую модель на трех задачах гидродинамики. На уравнении Курамото-Сивашинского точность предсказания возросла на 17,25%, а спектральная точность — на 29,36%. Классические модели теряли свою стабильность на длинных горизонтах прогноза, в то время как новая модель продемонстрировала превосходящие результаты, что считается признаком "квантового преимущества".Майда Ван, автор работы, подчеркивает: «Наш метод показывает, что квантовые вычисления могут значительно улучшить результаты в области, где классические методы достигли предела своих возможностей». Соавтор Сяо Сюэ добавляет, что это первая работа, где квантовые технологии действительно соединяются с классическим машинным обучением для решения реальной научной задачи.
На что это влияет и для кого важно
Для российских разработчиков и ученых это открывает новые горизонты в предсказательных системах. Возможность применить подобные модели в реальных задачах, таких как прогнозирование климата или управление ветрогенераторами, может снизить нагрузку на суперкомпьютеры и повысить точность расчетов. Если QIML будет успешно масштабирован для реальных задач, это откроет путь к использованию компактных квантово-обученных модулей в реальных приложениях.Следующий шаг для команды — подготовка системы к практическому использованию в промышленности.