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

Luchtvervuiling is een stille, alomtegenwoordige dreiging die is gegroeid samen met onze steden en fabrieken, de longen van miljoenen mensen verstikt en levens verkort. Decennialang hebben wetenschappers en ingenieurs vertrouwd op krachtige computerprogramma's om te voorspellen wanneer en waar gevaarlijke concentraties van minuscule deeltjes zullen verschijnen, in de hoop gemeenschappen een voorsprong te geven om zichzelf te beschermen. Deze programma's, bekend als deep learning-modellen, zijn uitstekend in het vinden van patronen in complexe data, maar ze worstelen vaak wanneer de luchtkwaliteitsdata rommelig, plotseling of chaotisch is. Bovendien vereist het trainen van deze enorme programma's enorme hoeveelheden elektriciteit, wat een ecologische voetafdruk creëert die in strijd is met het doel van schonere lucht. Terwijl de wereld op zoek is naar betere manieren om deze milieugevaren te voorspellen, is er een nieuwe grens ontstaan: het gebruik van de vreemde wetten van de kwantumfysica om slimmere, efficiëntere voorspellingsmachines te bouwen.

In een recente studie hebben onderzoekers een belangrijke stap naar deze toekomst gezet door een nieuw type voorspellingsinstrument te creëren dat kwantumcomputing combineert met een techniek genaamd wavelet-transformaties. Het team, onder leiding van Otto Menegasso Pires en collega's, richtte zich op het voorspellen van de concentraties van fijnstof, bekend als PM2,5, die klein genoeg zijn om de bloedbaan binnen te dringen en ernstige gezondheidsproblemen te veroorzaken. Ze testten hun systeem met real-world data van twee meetstations in Guildford, Verenigd Koninkrijk, waar verkeer en industrie zorgen voor zeer volatiele luchtkwaliteit. De uitdaging was dat de data van deze stations erratisch was, vol met plotselinge, extreme pieken in vervuiling die traditionele computermodellen in verwarring brachten.

Om dit aan te pakken, bouwden de onderzoekers een hybride systeem dat een kwantum neuraal netwerk gebruikt. In tegen tegenstelling tot standaardcomputers die informatie in een rechte lijn verwerken, gebruikt dit systeem de principes van de kwantummechanica om vele mogelijkheden tegelijkertijd te verkennen. De huidige fysieke kwantumcomputers zijn echter te klein en te luidruchtig om een dergelijk groot, complex probleem aan te kunnen. Om dit te omzeilen, gebruikte het team een gespecialiseerd platform genaamd Dynex, dat het gedrag van een kwantumcomputer nabootst met behulp van geavanceerde hardware die fungeert als een kwantum-annealer. Dit stelde hen in staat om een simulatie uit te voeren met tot 172 kwantumbits, een schaal die ver buiten wat momenteel mogelijk is op fysieke kwantumapparaten ligt. Ze koppelden deze kwantummotor aan een wiskundige methode genaamd discrete wavelet-transformaties, die de chaotische vervuilingssignalen afbreekt in hun onderliggende ritmes en plotselinge schokken, waardoor de data gemakkelijker begrijpelijk wordt voor de computer.

De resultaten waren opmerkelijk. Wanneer de onderzoekers ongefilterde, onbewerkte vervuilingsdata in hun systeem voerden, slaagden de traditionele computermodellen er niet in om zin te geven aan de plotselinge pieken, wat resulteerde in onbetrouwbare voorspellingen. In contrast hiermee toonde het kwantum neurale netwerk een natuurlijke veerkracht tegen deze volatiliteit, waarbij het de verborgen dynamiek van de vervuiling vastlegde zonder dat de data eerst opgeschoond hoefde te worden. Het presteerde aanzienlijk beter dan de standaardmodellen en verdubbelde de nauwkeurigheid van de voorspellingen. Wanneer het team de wavelet-decompositie toevoegde om het systeem de data duidelijker te laten zien, bereikte het kwantummodel zijn piekprestaties, waarbij het de hoogste nauwkeurigheid en de laagste foutmarges behaalde van alle in de studie geteste modellen.

Misschien wel het belangrijkste is dat de studie onthulde dat deze kwantumbenadering niet alleen beter werkt; het gaat ook anders om met onzekerheid. Terwijl traditionele modellen tijdens extreme vervuilingsgebeurtenissen vaak zelfverzekerd maar foutieve antwoorden gaven, verbreedde het kwantumsysteem correct de reikwijdte van mogelijke uitkomsten, waarbij het de gevaren erkende wanneer de data erratisch werd. De onderzoekers ontdekten dat het simpelweg complexer maken van het kwantummodel niet altijd tot betere resultaten leidde; er was een specifieke balans tussen omvang en structuur die het beste werkte. Dit suggereert dat het kwantumsysteem een aangeboren vermogen heeft om te leren van rommelige, real-world signalen op een manier die klassieke computers niet kunnen.

Dit werk demonstreert dat kwantum machine learning zich beweegt van theoretische experimenten naar het oplossen van praktische, cruciale problemen. Door succesvol een systeem met 172 kwantumbits te simuleren, bewezen het team dat deze methoden kunnen schalen om de complexiteit van real-world milieudata aan te kunnen. Hoewel de resultaten zijn behaald op een gesimuleerd platform in plaats van op een fysieke kwantumcomputer, bieden de bevindingen een duidelijk pad voorwaarts. Ze suggereren dat we in de nabije toekomst deze kwantum-verbeterde tools kunnen gebruiken om de luchtkwaliteit met ongekende precisie te monitoren, waardoor gemeenschappen de betrouwbare, tijdige waarschuwingen krijgen die ze nodig hebben om veilig te blijven, terwijl ze potentieel minder energie verbruiken dan de enorme klassieke computers waar we vandaag de dag op vertrouwen.