⚛️ quantum physics

Quantum Convolutional Neural Networks for Groundwater Heat Plume Prediction: A Surrogate Modeling Approach

Dit artikel stelt een Quantum Convolutional Neural Network (QCNN) voor als surrogaatmodel voor het voorspellen van de dynamiek van grondwaterwarmtepluimen in München, waarbij wordt aangetoond dat hoewel klassieke netwerken momenteel een superieure nauwkeurigheid bieden, de QCNN concurrerende prestaties levert op quantumsimulatoren en veelbelovende verbeteringen laat zien onder foutgemitigeerde hardwarecondities.

Oorspronkelijke auteurs: Danyal Maheshwari, Julia Pelzer, Miriam Schulte

Gepubliceerd 2026-06-23

📖 4 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Danyal Maheshwari, Julia Pelzer, Miriam Schulte

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Plaatje: Voorspellen van Ondergrondse Hittegolven

Stel je voor dat de grond onder de stad München een soort gigantische, onzichtbare rivier van water is. Mensen installeren warmtepompen (zoals gigantische airconditioners voor de grond) om hun huizen te verwarmen en te koelen. Deze pompen injecteren warm of koud water in de grond, waardoor er "hittepluimen" ontstaan—denk aan onzichtbare inktvlekken die zich verspreiden door een natte spons.

De stad moet precies weten hoe ver deze vlekken zullen verspreiden en hoe heet ze zullen worden. Als ze te ver verspreiden of te heet worden, kunnen ze het natuurlijke evenwicht van het ondergrondse water verstoren of andere pompen in de weg zitten.

Het Probleem: De "Slow Cooker" versus de "Magnetron"

Om te bepalen waar deze hittepluimen naartoe gaan, gebruiken wetenschappers meestal supernauwkeurige computersimulaties. Deze simulaties zijn echter als slow cookers. Ze hebben een erg lange tijd nodig om te draaien. Als je 1.000 verschillende scenario's wilt testen (zoals de pomp een klein beetje verplaatsen of het type bodem veranderen), zou je eeuwig moeten wachten.

Om dit op te lossen, gebruiken wetenschappers "surrogaatmodellen". Dit zijn als magnetrons. Ze zijn niet zo perfect als de slow cooker, maar ze geven je bijna direct een resultaat. Het doel van dit onderzoek is om te zien of een nieuw type "magnetron"—aangedreven door Quantumcomputers—het werk beter kan doen dan de oude modellen.

Het Experiment: Een Quantum-student Trainen

De onderzoekers bouwden een speciaal type Kunstmatige Intelligentie genaamd een Quantum Convolutional Neural Network (QCNN). Je kunt dit zien als een student die probeert een kaart van de ondergrondse hitte te leren begrijpen.

De Input (De Les): In plaats van de computer een enorme, gedetailleerde kaart van de grond te voeren, gaven ze een kleine, vereenvoudigde samenvatting: slechts twee getallen (hoe glad de grond is en hoe hard het water duwt).
De Output (De Toets): De computer moest vier dingen raden: Hoe lang de hittevlek is, hoe breed deze is, hoe heet het heetste punt wordt, en precies waar dat heetste punt zich bevindt.
De Klaslokaal (De Hardware): Ze testten deze student in vier verschillende "klaslokalen":
- Het Perfecte Klaslokaal (Ideale Simulator): Een computersimulatie waarin alles perfect werkt, zonder fouten.
- Het Luidruchtige Klaslokaal (Noisy Simulator): Een simulatie die een echte, imperfecte computer nabootst.
- De Echte Wereld (IBM Quantum Computer): Ze draaiden de code daadwerkelijk op een echte quantumprocessor in Kyiv (de 127-qubit chip van IBM).
- De Echte Wereld met Veiligheidsnetten (Error Mitigation): Dezelfde echte computer, maar met speciale trucjes om fouten te corrigeren terwijl ze gebeuren.

De Resultaten: Hoe deed de student het?

1. Het Perfecte Klaslokaal:
In de ideale simulatie deed de Quantum-student het erg goed. Het leerde de regels snel en kon de vorm en temperatuur van de hittevlek nauwkeurig voorspellen. Het bewees dat het idee werkt.

2. De Echte Wereld (Zonder Veiligheidsnetten):
Toen ze de test uitvoerden op de echte IBM quantumcomputer zonder hulp, raakte de student erg in de war. Echte quantumcomputers zijn als stemvorken in een orkaan; ze zijn extreem gevoelig voor ruis (trillingen, hitte, elektrische interferentie). De resultaten waren rommelig en onnauwkeurig. De voorspelde "hittevlek" zag er vervormd en fout uit.

3. De Echte Wereld (Met Veiligheidsnetten):
Toen ze "error mitigation" (de veiligheidsnetten) toevoegden, verbeterde de student aanzienlijk. De voorspellingen werden duidelijker en de vorm van de hittevlek leek meer op het echte ding. Het was niet perfect, maar het was veel beter dan voorheen.

4. De Vergelijking (De Oude Manier):
Tijdens al deze tests vergeleken ze de Quantum-student met een Classical Neural Network (een standaard AI die draait op een gewone laptop).

De Winnaar: De Klassieke AI won elke keer. Het was sneller, nauwkeuriger en raakte niet in de war door de ruis.
De Les: De Quantum AI is momenteel een "veelbelovende student" die potentie laat zien, maar het heeft de "ervaren docent" (de Klassieke AI) nog niet verslagen.

De Conclusie

Het onderzoek concludeert dat hoewel Quantumcomputers spannend zijn en laten zien dat ze in theorie patronen kunnen leren, ze momenteel te luidruchtig en foutgevoelig zijn om de standaardinstrumenten te vervangen die ingenieurs vandaag de dag gebruiken.

Het feit dat het Quantummodel echter aanzienlijk verbeterde toen er foutcorrectie-trucs werden toegevoegd, is een goed teken. Het suggereert dat naarmate quantumcomputers in de toekomst beter en minder "luidruchtig" worden, ze ooit een krachtig hulpmiddel kunnen worden voor het voorspellen van ondergrondse watertemperaturen. Voor nu zijn de ouderwetse computers echter nog steeds de beste keuze voor de klus.

Technische Samenvatting: Quantum Convolutional Neural Networks voor de Voorspelling van Grondwater Warmtepluimen

Probleemstelling
Het beheer van ondiepe grondwaterwarmtepompen (GWHPs) in stedelijke omgevingen zoals München vereist nauwkeurige modellering van de temperatuurvelden in de ondergrond om efficiëntieverlies en ecologische schade te voorkomen. Hoewel hoogwaardige numerieke simulaties (bijv. met gebruik van Pflotran) nauwkeurige voorspellingen bieden van de dynamiek van warmtepluimen, zijn ze computationeel duur en ongeschikt voor realtime toepassingen of de optimalisatie van een groot aantal warmtepompsystemen. Daartegenover staan bestaande analytische modellen (zoals het Linear Advective Heat Transport Model, LAHM), die weliswaar snel zijn, maar een gebrek aan nauwkeurigheid vertonen, met name in heterogene aquifers of complexe stroomsituaties. Deep learning surrogate-modellen, specifiek Convolutional Neural Networks (CNN's), zijn opgekomen als een compromis, waarbij ze een hoge snelheid combineren met een redelijke nauwkeurigheid. De integratie van Quantum Machine Learning (QML) in dit domein is echter nog niet onderzocht. Dit werk onderzoekt of Quantum Convolutional Neural Networks (QCNN's) effectieve surrogate-modellen kunnen dienen voor het voorspellen van de kenmerken van grondwaterwarmtepluimen, waarbij de schaalbaarheidsbeperkingen van huidige Noisy Intermediate-Scale Quantum (NISQ)-hardware worden geadresseerd.

Methodologie
De studie maakt gebruik van een hybride quantum-klassieke benadering om warmtepluimen te modelleren die worden gegenereerd door een enkele open-loop GWHP.

Datasetgeneratie: Een dataset van 352 monsters werd gegenereerd met behulp van de Pflotran-software. De simulaties bestrijken een domein van $100 \times 1280$ meter met een resolutie van 5 meter ( $20 \times 256$ cellen). De inputvariabelen omvatten hydraulische gradiënten en permeabiliteitsvelden, terwijl de output een ruimtelijk opgelost temperatuurveld is.
Dimensiereductie: Om te voldoen aan de beperkingen van het aantal qubits van de huidige quantumhardware, werd de hoogdimensionale simulatiedata gecomprimeerd. De input werd gereduceerd van ruimtelijke velden naar twee scalaire variabelen (permeabiliteit en drukgradiënt). Het outputtemperatuurveld werd gereduceerd tot vier representatieve parameters: de X- en Y-omvang van de 1-Kelvin isolijn, de maximale grondwatertemperatuur en de ruimtelijke positie van deze maximumwaarde.
QCNN-architectuur: De voorgestelde QCNN bestaat uit drie hoofdfasen:
1. Toestandsvoorbereiding: Klassieke data wordt gecodeerd in quantumtoestanden met behulp van een Instantaneous Quantum Polynomial (IQP) encoding-schema. Deze Hamiltonian-geïnspireerde strategie maakt gebruik van commutatorende poorten om klassieke informatie in de fasen van de quantumtoestand te embedden.
2. Quantumverwerking: De architectuur bevat een quantum convolutionele laag en een quantum pooling-laag. De convolutionele laag gebruikt geparametriseerde unitaire blokken (single-qubit rotaties en verstrengelingspoorten zoals CNOT) om gelokaliseerde kenmerken te extraheren. De pooling-laag vermindert de dimensionaliteit van de Hilbertruimte via metingen en partiële trace-operaties, analoog aan klassieke max- of average-pooling.
3. Readout en Klassieke Post-verwerking: De uiteindelijke quantumtoestand wordt gemeten om verwachtingswaarden te verkrijgen, die vervolgens worden ingevoerd in een klassiek volledig verbonden neuraal netwerk (geïmplementeerd in PyTorch) om de uiteindelijke regressie uit te voeren en de quantumkenmerken naar de vier doel-scalaire waarden te mappen.
Training en Evaluatie: Het model werd getraind met de Adam-optimizer met een Mean Squared Error (MSE) verliesfunctie. Experimenten werden uitgevoerd over vier verschillende executie-regimes:
1. Ideale statevector simulator.
2. Noisy simulator met realistische ruismodellen.
3. IBM's 127-qubit Kyiv quantum processor (raw hardware).
4. IBM Kyiv processor met geavanceerde foutcorrectie-technieken (inclusief dynamical decoupling, Twirled Readout Error Extinction, Zero-Noise Extrapolation en Probabilistic Error Cancellation).

Belangrijkste Resultaten
De prestaties van de QCNN werden getoetst aan een klassieke CNN-baseline in de verschillende executie-omgevingen:

Ideale Simulatie: Op de statevector simulator demonstreerde de QCNN het vermogen om de mapping van de vier inputkenmerken naar de vier doelbeschrijvers te leren, waarbij een competitieve prestatie met een lage MSE werd behaald.
Noisy Simulatie: De noisy simulator vertoonde een lichte degradatie in prestaties vergeleken met de ideale situatie, maar behield een stabiel leerpad, wat aangeeft dat matige ruvniveaus draaglijk zijn.
Real Hardware (Raw): Op de rauwe IBM Kyiv processor had de QCNN aanzienlijke problemen. De MSE was merkbaar hoger dan in de simulaties, en het model slaagde er niet in te generaliseren, wat resulteerde in vertekende reconstructies van de warmtepluim. Dit benadrukt de verwoestende impact van gate-imperfecties, decoherentie en crosstalk op niet-triviale regressietaken in het NISQ-tijdperk.
Real Hardware (Mitigated): De toepassing van geavanceerde foutcorrectie-technieken op de Kyiv-backend resulteerde in een merkbare verbetering. De trainings- en testverliezen namen af en de visuele reconstructie van de warmtepluim werd consistenter met de doelpatronen. De prestaties kwamen echter niet volledig terug op het niveau van de ideale simulator.
Classieke Baseline: De klassieke CNN presteerde consequent beter dan alle quantumvarianten in alle instellingen, waarbij de laagste MSE en de meest nauwkeurige ruimtelijke reconstructies werden bereikt.

Betekenis en Claims
Het artikel stelt dat hoewel QCNN's nog niet klaar zijn om klassieke surrogate-modellen voor de voorspelling van grondwaterwarmtepluimen te vervangen, ze een veelbelovende richting vormen voor toekomstig onderzoek. De studie toont aan dat:

Haalbaarheid: QCNN's kunnen theoretisch complexe mappings leren van compacte inputkenmerken naar ruimtelijke beschrijvers, mits de hardware ruisvrij is.
Hardwarebeperkingen: Ruis in huidige NISQ-hardware degradeert de prestaties ernstig voor regressietaken, waardoor rauwe quantumexecutie ineffectief is voor deze specifieke toepassing.
Rol van Mitigatie: Foutcorrectie-technieken zijn essentieel om betekenisvolle signalen uit ruizige quantumapparaten te extraheren, wat de prestaties gedeeltelijk herstelt en de fysieke interpreteerbaarheid van de resultaten verbetert.
Toekomstige Levensvatbaarheid: Naarmate quantumhardware volwassen wordt en efficiëntere mitigatie- en compilatietechnieken worden ontwikkeld, kunnen QCNN's levensvatbaar worden voor hoogdimensionale hydrothermische voorspellingen, met name wanneer ze worden geïntegreerd in hybride quantum-klassieke workflows.

De auteurs concluderen dat de primaire waarde van dit werk ligt in het vaststellen van een testbed om het gedrag van quantumarchitecturen onder realistische devicecondities te begrijpen, in plaats van te claimen direct superieur te zijn aan klassieke methoden.