An Annealing-based Quantum Neural Network with Discrete Wavelet Transforms for Enhanced Air Pollution Nowcasting

L'inquinamento atmosferico è una minaccia silenziosa e pervasiva che è cresciuta insieme alle nostre città e alle nostre fabbriche, soffocando i polmoni di milioni di persone e accorciando le vite. Per decenni, scienziati e ingegneri si sono affidati a potenti programmi informatici per prevedere quando e dove appariranno livelli pericolosi di minuscole particelle, sperando di dare alle comunità un vantaggio per proteggersi. Questi programmi, noti come modelli di deep learning, sono eccellenti nel trovare schemi in dati complessi, ma spesso faticano quando i dati sulla qualità dell'aria sono disordinati, improvvisi o caotici. Inoltre, l'addestramento di questi massicci programmi richiede enormi quantità di elettricità, creando un'impronta di carbonio che contraddice proprio l'obiettivo di un'aria più pulita. Mentre il mondo cerca modi migliori per prevedere questi pericoli ambientali, è emersa una nuova frontiera: l'uso delle strane leggi della fisica quantistica per costruire macchine di previsione più intelligenti ed efficienti.

In uno studio recente, i ricercatori hanno compiuto un passo significativo verso questo futuro, creando un nuovo tipo di strumento di previsione che fonde il calcolo quantistico con una tecnica chiamata trasformate wavelet. Il team, guidato da Otto Menegasso Pires e colleghi, si è concentrato sulla previsione delle concentrazioni di particolato fine, noto come PM2.5, che è abbastanza piccolo da entrare nel flusso sanguigno e causare gravi problemi di salute. Hanno testato il loro sistema utilizzando dati reali provenienti da due stazioni di monitoraggio a Guildford, nel Regno Unito, dove il traffico e l'industria creano condizioni di qualità dell'aria altamente volatili. La sfida era che i dati di queste stazioni erano erratici, pieni di improvvisi picchi estremi di inquinamento che confondevano i modelli informatici tradizionali.

Per affrontare questo problema, i ricercatori hanno costruito un sistema ibrido che utilizza una rete neurale quantistica. A differenza dei computer standard che elaborano le informazioni in linea retta, questo sistema utilizza i principi della meccanica quantistica per esplorare molte possibilità contemporaneamente. Tuttavia, gli attuali computer quantistici fisici sono troppo piccoli e troppo rumorosi per gestire un problema così grande e complesso. Per aggirare l'ostacolo, il team ha utilizzato una piattaforma specializzata chiamata Dynex, che imita il comportamento di un computer quantistico utilizzando un hardware avanzato che agisce come un annealer quantistico. Ciò ha permesso loro di eseguire una simulazione con fino a 172 bit quantistici, una scala ben oltre quanto attualmente possibile sui dispositivi quantistici fisici. Hanno accoppiato questo motore quantistico con un metodo matematico chiamato trasformate wavelet discrete, che scompone i segnali caotici dell'inquinamento nei loro ritmi sottostanti e nei loro scossoni improvvisi, rendendo i dati più facili da comprendere per il computer.

I risultati sono stati sorprendenti. Quando i ricercatori hanno inserito dati sull'inquinamento grezzi e non elaborati nel loro sistema, i modelli informatici tradizionali non riuscivano a dare un senso ai picchi improvvisi, producendo previsioni inaffidabili. Al contrario, la rete neurale quantistica ha mostrato una resilienza naturale a questa volatilità, catturando la dinamica nascosta dell'inquinamento senza bisogno di pulire i dati preventivamente. Ha superato significativamente i modelli standard, raddoppiando l'accuratezza delle sue previsioni. Quando il team ha aggiunto la decomposizione wavelet per aiutare il sistema a vedere i dati più chiaramente, il modello quantistico ha raggiunto il picco della sua prestazione, ottenendo l'accuratezza più elevata e i tassi di errore più bassi di qualsiasi modello testato nello studio.

Forse la cosa più importante è che lo studio ha rivelato che questo approccio quantistico non solo funziona meglio, ma gestisce l'incertezza in modo diverso. Mentre i modelli tradizionali spesso davano risposte sicure ma errate durante eventi di inquinamento estremo, il sistema quantistico ha correttamente ampliato il suo intervallo di possibili esiti, riconoscendo il pericolo quando i dati diventavano erratici. I ricercatori hanno scoperto che rendere il modello quantistico più complesso non portava sempre a risultati migliori; esisteva un equilibrio specifico tra dimensione e struttura che funzionava meglio. Ciò suggerisce che il sistema quantistico ha una capacità innata di apprendere dai segnali disordinati del mondo reale in un modo che i computer classici non possono fare.

Questo lavoro dimostra che l'apprendimento automatico quantistico sta andando oltre gli esperimenti teorici per entrare nel campo della risoluzione di problemi pratici e ad alto rischio. Simulando con successo un sistema con 172 bit quantistici, il team ha dimostrato che questi metodi possono scalare per gestire la complessità dei dati ambientali del mondo reale. Sebbene i risultati siano stati ottenuti su una piattaforma simulata piuttosto che su un computer quantistico fisico, le scoperte offrono una chiara strada da seguire. Suggeriscono che, in un futuro prossimo, potremo utilizzare questi strumenti potenziati dal calcolo quantistico per monitorare la qualità dell'aria con una precisione senza precedenti, fornendo alle comunità gli avvisi affidabili e tempestivi di cui hanno bisogno per stare al sicuro, il tutto utilizzando potenzialmente meno energia rispetto ai massicci computer classici di cui disponiamo oggi.