Quantum Machine Learning for Climate Modelling

Sintesi Tecnica: Apprendimento Automatico Quantistico per la Modellazione Climatica

Definizione del Problema
I Modelli del Sistema Terra (ESM) sono essenziali per proiettare il futuro cambiamento climatico, ma operano a risoluzioni grossolane (decine di chilometri) che non possono risolvere processi critici su scala sub-griglia, come la microfisica delle nubi, la turbolenza e la convezione. Questi processi non risolti sono attualmente gestiti da parametrizzazioni empiriche, che introducono incertezze e bias significativi nelle proiezioni climatiche. Sebbene l'Apprendimento Automatico (ML) classico abbia mostrato una certa promettente capacità nel sostituire queste parametrizzazioni con modelli basati sui dati, rimangono sfide riguardanti la generalizzazione oltre i regimi di addestramento e la coerenza fisica delle relazioni apprese. Questo articolo indaga se l'Apprendimento Automatico Quantistico (QML), specificamente le Reti Neurali Quantistiche (QNN), possa offrire vantaggi nello sviluppo di parametrizzazioni per la copertura nuvolosa, una componente critica degli ESM.

Metodologia
Gli autori hanno sviluppato un approccio ibrido quantistico-classico per parametrizzare la copertura nuvolosa per il modello climatico ICON.

• Generazione dei Dati: I dati di addestramento sono stati derivati da simulazioni globali ad alta risoluzione (2,5 km orizzontali) utilizzando il modello ICON all'interno del progetto DYAMOND. A differenza di precedenti lavori che utilizzano framework di modellazione multiscala (MMF), questo approccio ha utilizzato lo stesso modello sia per la generazione dei dati che per l'applicazione target, evitando assunzioni di separazione di scala.
• Pre-elaborazione: I dati ad alta risoluzione sono stati raggruppati (coarse-grained) a 80 km per corrispondere alla risoluzione target dell'ESM. Una cella di griglia è stata definita nuvolosa se un determinato condensato specifico superava una soglia. La variabile target era la frazione di copertura nuvolosa (da 0 a 1).
• Caratteristiche di Input: I modelli hanno utilizzato variabili di stato grossolane come l'umidità specifica ($q_v$), il contenuto specifico di acqua/ghiaccio nelle nubi ($q_c, q_i$), la temperatura dell'aria ($T$), la pressione ($p$), l'entità del vento orizzontale ($h_w$), l'altezza geometrica ($z_g$) e la latitudine ($\phi$).
• Architettura del Modello:
  • QNN: È stata impiegata una rete neurale quantistica parametrizzata in cui il numero di qubit era uguale al numero di caratteristiche di input (6 o 8). L'architettura prevedeva il "data re-uploading" (codifica delle caratteristiche di input come angoli di rotazione in più strati), intercalato con blocchi variazionali contenenti porte di entanglement e parametri addestrabili. L'output è derivato dai valori di aspettazione degli operatori di Pauli-Z, elaborati attraverso uno strato lineare semplice (media ponderata con bias) per predire la copertura nuvolosa.
  • NN Classica: Per confronto, è stata costruita una rete neurale classica con tre strati nascosti (12, 6, 2 nodi) e funzioni di attivazione non lineari (leaky-ReLU o tanh). Fondamentalmente, la NN classica è stata progettata per avere un numero comparabile di parametri liberi (203) rispetto alla QNN (200–201) per garantire un confronto equo della espressività piuttosto che del conteggio dei parametri.
• Addestramento e Spiegabilità: I modelli sono stati addestrati per 200 epoche utilizzando l'Errore Quadratico Medio (MSE) e il gradiente discendente (tramite la regola dello spostamento del parametro o parameter-shift rule per le QNN). Per analizzare la coerenza fisica delle relazioni apprese, gli autori hanno applicato i valori SHAP (SHapley Additive exPlanations), un metodo di spiegabilità agnostico rispetto al modello, per valutare la stabilità dell'importanza delle caratteristiche attraverso molteplici istanze di addestramento.

Risultati Chiave

• Performance Predittiva: La QNN ha ottenuto prestazioni comparabili alla NN classica con un numero simile di parametri, con la NN classica che mostra un leggero vantaggio. Entrambi gli approcci di ML hanno superato significativamente la tradizionale parametrizzazione di Xu-Randall utilizzata nei modelli climatici.
• Robustezza al Rumore: Le simulazioni che incorporavano il rumore di campionamento (shot noise) hanno dimostato che la QNN mantiene prestazioni stabili a condizione che il numero di campioni ($n_{shots}$) superi $10^4$. Al di sotto di questa soglia, l'addestramento diventa instabile a causa del rumore del gradiente, sebbene tecniche di regolarizzazione della varianza possano mitigarlo.
• Consistenza dell'Apprendimento (Spiegabilità): Un risultato critico è emerso dall'analisi SHAP. Mentre entrambi i modelli hanno raggiunto un'accuratezza simile, l'importanza delle caratteristiche appresa dalle NN classiche variava significativamente tra diverse istanze di addestramento (inizializzazioni casuali). Al contrario, le QNN hanno mostrato un'importanza delle caratteristiche altamente stabile. Nello specifico, le QNN hanno identificato costantemente l'umidità specifica e la temperatura come le caratteristiche più critiche, allineandosi alle aspettative fisiche. Le NN classiche hanno occasionalmente appreso relazioni inconsistenti o potenzialmente non fisiche riguardo all'importanza delle caratteristiche.

Significatività e Rivendicazioni
L'articolo sostiene che le QNN possano servire come alternative valide alle NN classiche per la parametrizzazione climatica, offrendo prestazioni sul piano delle controparti classiche pur dimostrando una superiore robustezza nell'apprendimento di relazioni fisiche coerenti. Gli autori postulano che la capacità delle QNN di convergere su importanze delle caratteristiche stabili suggerisce che esse possano essere meno soggette all'apprendimento di correlazioni spurie rispetto alle reti classiche, un tratto cruciale per la modellazione climatica dove la generalizzazione a climi che cambiano è vitale.

Il lavoro dimostra che il QML può essere efficacemente sviluppato su attuali dispositivi NISQ (Noisy Intermediate-Scale Quantum) o simulatori per applicazioni climatiche. Gli autori suggeriscono che, sebbene l'esecuzione di parametrizzazioni QML online nei modelli climatici affronti attualmente costi computazionali elevati, "surrogati" o ombre dei modelli QML addestrati potrebbero essere utilizzati per l'implementazione operativa, mantenendo i benefici della fase di addestramento quantistico senza richiedere hardware quantistico in tempo reale. Il lavoro futuro proposto prevede l'estensione di questi metodi a problemi di dimensioni maggiori, l'uso di reti neurali convoluzionali quantistiche (per evitare i barren plateaus) e la gestione di parametrizzazioni più complesse come la turbolenza dello strato limite.