Эксперты из Университетского колледжа Лондона (UCL) разработали гибрид нейросети и квантового процессора, который смог улучшить предсказания турбулентности на 20% по сравнению с традиционными моделями. При этом новая система требует в сотни раз меньше памяти.
Основой инновации стал метод QIML – Quantum-Informed Machine Learning, или машинное обучение с использованием квантовой информации. Его суть заключается в разделении задачи предсказания турбулентности на две отдельные части.
По словам исследователей, предсказание турбулентности представляет сложность из-за наличия одновременно крупных структур и микроскопических завихрений, причём мелкие детали накапливают ошибки, и со временем прогноз, основанный на классической нейросети, просто теряет свою достоверность.
Ученые решили: пусть классическая нейросеть обрабатывает крупные структуры, как прежде, а статистику по мелким масштабам будет изучать отдельная небольшая модель – на квантовом процессоре. Этот усвоенный фрагмент знаний и назвали Q-Prior, «квантовый априор».
Гибридная система была протестирована на трех задачах гидродинамики различной сложности. В случае уравнения Курамото-Сивашинского точность распределения возросла на 17,25%, а спектральная точность – на 29,36%. На двумерном течении Колмогорова и трехмерном турбулентном канальном течении результаты были ещё более впечатляющими: без Q-Prior классическая модель теряла стабильность на длительных горизонтах прогноза, тогда как с ним – превосходила лучшие классические численные решатели.
Ранее в России, на Камчатке, была создана программа «Ион», которая предсказывает эпицентры сильных землетрясений, основываясь на спутниковых данных об ионосфере. Разработку осуществляли специалисты Камчатского государственного университета и Института вулканологии и сейсмологии. Система уже функционирует в Авачинском заливе – одной из самых сейсмоактивных зон на планете.
«Роскосмос» передаст «Яндексу» фотоархивы для обучения ИИ
