Quantum Machine Learning for Climate Modelling

Technische Samenvatting: Quantum Machine Learning voor Klimaatmodellering

Probleemstelling
Earth System Models (ESM's) zijn essentieel voor het projecteren van toekomstige klimaatverandering, maar opereren op grove resoluties (tientallen kilometers) die kritieke processen op subgrid-schaal, zoals wolkenmicrofysica, turbulentie en convectie, niet kunnen oplossen. Deze onopgeloste processen worden momenteel afgehandeld door empirische parametrisaties, wat significante onzekerheden en biases introduceert in klimaatprojecties. Hoewel klassieke Machine Learning (ML) veelbelovend is gebleken voor het vervangen van deze parametrisaties door datagestuurde modellen, blijven er uitdagingen bestaan met betrekking tot de generalisatie buiten trainingsregimes en de fysieke consistentie van geleerde relaties. Dit artikel onderzoekt of Quantum Machine Learning (QML), specifiek Quantum Neural Networks (QNN's), voordelen kan bieden bij het ontwikkelen van parametrisaties voor bewolking, een kritiek onderdeel van ESM's.

Methodologie
De auteurs ontwikkelden een hybride quantum-klassieke benadering om de bewolking voor het ICON-klimaatmodel te parametriseren.

• Datageneratie: Trainingsdata werden afgeleid uit hoogresolutie (2,5 km horizontaal) globale simulaties met behulp van het ICON-model binnen het DYAMOND-project. In tegenstelling tot eerdere werken die gebruikmaakten van multiscale modellering frameworks (MMF), gebruikte deze aanpak hetzelfde model voor zowel datageneratie als de doeltoepassing, waardoor aannames over schaalafscheiding werden vermeden.
• Preprocessing: De hoogresolutie data werden grofmazig geschaald naar 80 km om overeen te komen met de doelresolutie van de ESM. Een cel werd als bewolkt gedefinieerd als specifieke wolkencondensaten een bepaalde drempelwaarde overschreden. De doelvariabele was de fractie bewolking (0 tot 1).
• Input Features: De modellen maakten gebruik van grove staatvariabelen zoals specifieke vochtigheid ($q_v$), specifieke wolkenwater-/ijsgehalte ($q_c, q_i$), luchttemperatuur ($T$), druk ($p$), horizontale windmagnitude ($h_w$), geometrische hoogte ($z_g$) en breedtegraad ($\phi$).
• Modelarchitectuur:
  • QNN: Er werd een geparametriseerd quantumcircuit ingezet waarbij het aantal qubits gelijk was aan het aantal input features (6 of 8). De architectuur omvatte data re-uploading (het coderen van input features als rotatiehoeken in meerdere lagen), afgewisseld met variationele blokken met verstrengelingspoorten (entangling gates) en leerbare parameters. De output werd afgeleid van de verwachtingswaarden van Pauli-Z operatoren, verwerkt via een eenvoudige lineaire laag (gewogen gemiddelde met bias) om de bewolking te voorspellen.
  • Klassieke NN: Voor vergelijking werd een klassiek neuraal netwerk (NN) geconstrueerd met drie verborgen lagen (12, 6, 2 knopen) en niet-lineaire activatiefuncties (leaky-ReLU of tanh). Cruciaal was dat de klassieke NN werd ontworpen met een vergelijkbaar aantal vrije parameters (203) als de QNN (200–201) om een eerlijke vergelijking van expressiviteit in plaats van parameteraantal te garanderen.
• Training en Uitlegbaarheid: Modellen werden getraind voor 200 epochs met behulp van Mean Squared Error (MSE) en gradiëntafdaling (via de parameter-shift regel voor QNN's). Om de fysieke consistentie van de geleerde relaties te analyseren, pasten de auteurs SHAP (SHapley Additive exPlanations) waarden toe, een model-agnostische uitlegbaarheidsmethode, om de stabiliteit van de feature-belangrijkheid over meerdere trainingsinstanties te beoordelen.

Belangrijkste Resultaten

• Voorspellende Prestaties: De QNN behaalde prestaties die vergelijkbaar zijn met de klassieke NN met een vergelijkbaar aantal parameters, waarbij de klassieke NN een lichte voorsprong vertoonde. Beide ML-benaderingen presteerden significant beter dan de traditionele Xu-Randall parametrisatieschema die in klimaatmodellen wordt gebruikt.
• Ruisrobuustheid: Simulaties die shot noise incorporeerden, toonden aan dat de QNN stabiele prestaties behoudt, mits het aantal shots ($n_{shots}$) groter is dan $10^4$. Onder deze drempel wordt de training instabiel door gradiëntruis, hoewel variantie-regularisatietechnieken dit kunnen mitigeren.
• Leerconsistentie (Uitlegbaarheid): Een kritieke bevinding kwam naar voren uit de SHAP-analyse. Terwijl beide modellen een vergelijkbare nauwkeurigheid bereikten, varieerde de feature-belangrijkheid die door de klassieke NNs werd geleerd aanzienlijk tussen verschillende trainingsinstanties (willekeurige initialisaties). In contrast hiermee vertoonden de QNN's zeer stabiele feature-belangrijkheden. Specifiek identificeerden de QNN's consequent specifieke vochtigheid en temperatuur als de meest kritieke features, wat overeenkomt met de fysieke verwachtingen. De klassieke NNs leerden incidenteel inconsistente of potentieel onfysische relaties met betrekking tot feature-belangrijkheid.

Betekenis en Claims
Het artikel claimt dat QNN's levensvatbare alternatieven kunnen zijn voor klassieke NNs voor klimaatparametrisatie, waarbij ze prestaties bieden die op gelijke voet staan met klassieke tegenhangers, terwijl ze tegelijkertijd een superieure robuustheid vertonen in het leren van consistente fysieke relaties. De auteurs stellen dat het vermogen van de QNN om te convergeren op stabiele feature-belangrijkheden suggereert dat ze minder vatbaar kunnen zijn voor het leren van spuriaf correlaties vergeleken met klassieke netwerken, een cruciale eigenschap voor klimaatmodellering waar generalisatie naar veranderende klimaten essentieel is.

Het werk demonstreert dat QML effectief kan worden ontwikkeld op huidige Noisy Intermediate-Scale Quantum (NISQ) apparaten (of simulators) voor klimaattoepassingen. De auteurs suggereren dat hoewel het online draaien van QML-parametrisaties in klimaatmodellen momenteel computationele overhead met zich meebrengt, "surrogaten" of schaduwen van getrainde QML-modellen kunnen worden gebruikt voor operationele inzet, waarbij de voordelen van de quantum-trainingsfase behouden blijven zonder dat er real-time quantumhardware nodig is. Toekomstig werk wordt voorgesteld om deze methoden uit te breiden naar grotere probleemomvang, quantum convolutionele neurale netwerken (om barren plateaus te vermijden), en complexere parametrisaties zoals grenslaag-turbulentie.