Quantum machine learning geospatial time-series by seasonal encoding

Het voorspellen van de toekomstige weersomstandigheden op onze planeet is een taak die al lang steunt op het herkennen van patronen uit het verleden. Wetenschappers hebben decennia besteed aan het bouwen van instrumenten om te volgen hoe neerslag, temperatuur en andere milieusignalen in de loop van de tijd veranderen, in de hoop droogtes of overstromingen te kunnen voorzien voordat ze toeslaan. Deze signalen zijn zelden willekeurig; ze volgen vaak een ritme, stijgend en dalend met de seizoenen op een manier die zich jaar na jaar herhaalt, hoewel nooit met perfecte precisie. In de afgelopen jaren is een nieuw veld genaamd quantum machine learning opgekomen, dat een andere manier biedt om informatie te verwerken. In plaats van de standaard bits van klassieke computers te gebruiken, maken deze systemen gebruik van quantumtoestanden, die in complexe combinaties kunnen bestaan, om data te representeren. De hoop is dat door real-world data in deze quantumtoestanden te mappen, computers patronen kunnen vinden die te subtiel zijn voor traditionele methoden. Het toevoegen van meer lagen aan deze quantumcircuits maakt ze echter niet automatisch slimmer. Sterker nog, het dieper maken van deze modellen kan ze soms in de war brengen, waardoor ze juist de patronen verliezen die ze proberen te leren.

Een team van onderzoekers zette zich schouder aan schouder om dit puzzelstukje op te lossen door zich te richten op een specifiek type data: maandelijkse neerslaggegevens uit een droogtegevoelige regio in Oost-Afrika. Ze wilden begrijpen waarom sommige quantummodellen minder goed presteren naarmate ze groter worden en of een specifieke manier om data in de machine te voeden het probleem kon oplossen. Hun onderzoek onthulde dat de manier waarop data wordt vertaald naar de quantumtaal belangrijker is dan de loutere omvang van de machine. Ze ontdekten dat als je simpelweg de ruwe getallen van de neerslag in het systeem voert, het model slechter wordt in het voorspellen van de toekomst naarmate je meer verwerkingslagen toevoegt. Maar als je de machine leert om het jaargetijde te herkennen naast de hoeveelheid regen, blijft het model scherp en accuraat, zelfs als het model complexer wordt. Deze ontdekking suggereert dat voor quantumcomputers om echt te kunnen leren van tijdgebaseerde data, ze de kalender als gids nodig hebben, en niet alleen de cijfers.

De onderzoekers testten hun ideeën met een dataset van maandelijkse neerslag uit Napak, Oeganda, een plek waar neerslag cruciaal is voor de landbouw maar zeer variabel is. Ze namen een venster van veertien maanden aan neerslaggegevens en vroegen de computer om de neerslag voor de volgende maand te voorspellen. Hiervoor bouwden ze een hybride systeem dat een klassieke computer combineert met een quantumcircuit. Het quantumgedeelte van het systeem werkt door de invoerdata te coderen in de toestand van verschillende quantumbits, of qubits. Dit encodingsproces is als het vertalen van een zin van het Engels naar een andere taal; de keuze van de vertalingsmethode bepaalt hoe goed de betekenis behouden blijft. Het team probeerde verschillende vertalingsmethoden, of encodings. De eerste twee methoden waren eenvoudig: ze brachten de hoeveelheid regen direct in kaart op de quantumbits, waarbij het jaargetijde volledig werd genegeerd. De andere drie methoden waren geavanceerder. Ze brachten de hoeveelheid regen in kaart naar één coördinaat en de maand van het jaar naar een andere coördinaat, waardoor de machine effectief een gevoel van seizoensgebondenheid kreeg.

Om te zien hoe deze methoden standhielden, bouwden de onderzoekers modellen met variërende dieptes, wat betekende dat ze meer stappen van verwerking toevoegden, variërend van één laag tot zes lagen. In een perfecte, ruisvrije simulatie stortten de eenvoudige methoden die de datum negeerden snel in. Naarmate de modellen dieper werden, verloren ze het vermogen om de verbinding tussen de huidige maand en dezelfde maand in voorgaande jaren te herkennen. De voorspellingen werden grillig en het model slaagde er niet in om het seizoensritme van de regen vast te leggen. In tegen tegenstelling hiertoe bleven de modellen die de maand van het jaar expliciet bevatten stabiel. Ze hielden de seizoensstructuur intact en behielden de relatie tussen de datapunten naarmate het model dieper werd. De meest succesvolle aanpak was een adaptieve methode, waarbij het model de mogelijkheid kreeg om de representatie van de seizoenen tijdens de training licht aan te passen, in plaats van vast te houden aan een rigide, vooraf ingestelde kaart. Dit flexibele model behield zijn nauwkeurigheid en zijn vermogen om de timing van de regen te volgen over alle geteste dieptes heen.

Het team controleerde ook of deze resultaten stand zouden houden op echte quantumhardware, die momenteel ruisgevoelig en foutgevoelig is. Ze simuleerden de effecten van hardwareruis en ontdekten dat het voordeel van de seizoensgebonden encoding standhield, ten minste voor modellen met een gering tot gemiddeld aantal lagen. De modellen die de seizoenen begrepen, presteerden nog steeds beter dan de modellen die dat niet deden. Echter, naarmate de modellen dieper werden, begon de ruis van de hardware de voordelen van de encoding te overstemmen, waardoor alle modellen moeite hadden om de nauwkeurigheid te behouden. Dit suggereert dat hoewel de encodingstrategie krachtig is, deze gepaard moet gaan met hardware die stil genoeg is om de diepere lagen te laten werken. Ondanks deze beperkingen presteerden de beste quantummodellen net zo goed als gevestigde klassieke methoden, zoals statistische modellen en kunstmatige neurale netwerken, die de huidige standaard zijn voor weersvoorspellingen.

De kern van deze ontdekking ligt in hoe de quantummachine de data ziet. Wanneer de onderzoekers nauwkeurig naar de wiskunde van het systeem keken, ontdekten ze dat de diepte van het circuit de geometrie van de ruimte verandert waarin de data zich bevindt. Voor de eenvoudige encodings zorgde het toevoegen van meer lagen voor een vervorming van deze ruimte, waardoor het moeilijker werd om het verschil te zien tussen een regenachtige maand en een droge maand, of tussen de regen van dit jaar en die van vorig jaar. De seizoensgebonden encodings arrangeerden de data echter op een manier die respect had voor de natuurlijke cyclus van het jaar. Door de maand naar een specifieke richting in de quantumruimte te mappen, kon het model de seizoenspatronen onderscheidend houden, zelfs wanneer de verwerkingslagen de complexiteit vergrootten. Dit stelde de machine in staat om het onderliggende ritme van het klimaat te leren zonder te verdwalen in de ruis van de data.

Dit werk beweert niet dat quantumcomputers het probleem van weersvoorspelling al hebben opgelost of dat ze op elk gebied superieur zijn aan klassieke computers. In plaats daarvan biedt het een cruciale les voor de toekomst van deze technologie. Het laat zien dat het simpelweg groter maken van quantummodellen niet het antwoord is. Om ze beter te laten werken, vooral voor data die over de tijd verandert, moeten we ze ontwerpen om de structuur te begrijpen van de wereld die ze bestuderen. Door de kennis van seizoenen direct in de manier waarop de data wordt gepresenteerd te bouwen, creëerden de onderzoekers een model dat robuuster en betrouwbaarder is. Deze aanpak zou toegepast kunnen worden op andere soorten tijdgebaseerde data, van het volgen van de verspreiding van ziekten tot het monitoren van verkeerspatronen, wat suggereert dat de sleutel tot het ontsluiten van het potentieel van quantum machine learning ligt in het leren aan de machine om de wereld te zien zoals die werkelijk is: een plek van herhalende patronen en seizoensgebonden cycli.