Quantum Machine Learning for Climate Modelling

技术摘要：用于气候建模的量子机器学习

问题陈述
地球系统模型（ESMs）对于预测未来气候变化至关重要，但其运行的分辨率较粗（数十公里），无法解析关键的亚网格尺度过程，如云微物理、湍流和对流。这些未被解析的过程目前通过经验参数化方案进行处理，这为气候预测引入了显著的不确定性和偏差。虽然经典机器学习（ML）在利用数据驱动模型替代这些参数化方面已展现出潜力，但在超越训练机制的泛化能力以及学习到的关系的物理一致性方面仍面临挑战。本文研究了量子机器学习（QML），特别是量子神经网络（QNNs），是否能在开发云层覆盖（气候模型中的关键组成部分）的参数化方面提供优势。

方法论
作者开发了一种混合量子-经典方法，用于为 ICON 气候模型参数化云层覆盖。

• 数据生成： 训练数据源自使用 DYAMOND 项目中 ICON 模型进行的 2.5 km 水平高分辨率全球模拟。与以往使用多尺度建模框架（MMF）的工作不同，本方法在数据生成和目标应用中使用相同的模型，避免了对尺度分离的假设。
• 预处理： 高分辨率数据被粗粒化至 80 km，以匹配目标 ESM 分辨率。若特定云凝结物超过特定阈值，则定义该网格单元为有云。目标变量为分数云覆盖率（0 到 1）。
• 输入特征： 模型利用了粗略的状态变量，包括比湿（$q_v$）、比云水/冰含量（$q_c, q_i$）、空气温度（$T$）、压力（$p$）、水平风速大小（$h_w$）、几何高度（$z_g$）和纬度（$\phi$）。
• 模型架构：
  • QNN： 采用了参数化量子电路，其中量子比特数等于输入特征数（6 或 8）。该架构涉及数据重上传（将输入特征编码为多个层中的旋转角），并与包含纠缠门和可训练参数的变分块交替进行。输出由 Pauli-Z 算符的期望值导出，并通过一个简单的线性层（带偏置的加权平均）来预测云覆盖率。
  • 经典 NN： 为了进行对比，构建了一个具有三个隐藏层（12, 6, 2 个节点）及非线性激活函数（leaky-ReLU 或 tanh）的经典神经网络。至关重要的是，经典 NN 的设计使其具有与 QNN 相当的自由参数数量（经典 NN 约 203 个，QNN 约 200–201 个），以确保是对表达能力而非参数数量的公平比较。
• 训练与可解释性： 模型使用均方误差（MSE）和梯度下降（通过 QNN 的参数移位规则）进行了 200 个 epoch 的训练。为了分析学习到的关系的物理一致性，作者应用了 SHAP（SHapley Additive exPlanations）值——一种模型无关的可解释性方法，以评估多个训练实例中特征重要性的稳定性。

关键结果

• 预测性能： QNN 实现了与具有相似参数数量的经典 NN 相当的性能，尽管经典 NN 略占优势。两种 ML 方法的表现都显著优于气候模型中使用的传统 Xu-Randall 参数化方案。
• 噪声鲁棒性： 结合了射击噪声（shot noise）的模拟表明，只要射击次数（$n_{shots}$）超过 $10^4$，QNN 就能保持稳定的性能。低于此阈值时，由于梯度噪声，训练会变得不稳定，但方差正则化技术可以减轻这一影响。
• 学习一致性（可解释性）： 通过 SHAP 分析得到了一个关键发现。虽然两种模型都达到了相似的准确度，但经典 NN 学习到的特征重要性在不同的训练实例（随机初始化）之间存在显著差异。相比之下，QNN 表现出了高度稳定的特征重要性。具体而言，QNN 一致地将比湿和温度识别为最关键的特征，这符合物理预期。而经典 NN 偶尔会学习到不一致或可能不符合物理规律的特征重要性关系。

意义与主张
本文声称 QNN 可以作为经典 NN 在气候参数化方面的可行替代方案，在提供与经典对应物相当的性能的同时，展示了在学习一致物理关系方面更强的鲁棒性。作者认为，QNN 能够收敛到稳定的特征重要性，表明它们可能比经典网络更不容易学习到伪相关，这对于需要向变化中的气候进行泛化的气候建模而言是一项至关重要的特性。

这项工作证明了 QML 可以有效地在当前的含噪声中等规模量子（NISQ）设备（或模拟器）上用于气候应用。作者指出，虽然目前在气候模型中在线运行 QML 参数化面临计算开销问题，但经过训练的 QML 模型之“代理”（surrogates）或“影子”（shadows）可用于实际部署，从而在不需要实时量子硬件的情况下保留量子训练阶段的优势。未来的工作建议将这些方法扩展到更大的问题规模、量子卷积神经网络（以避免贫瘠高原问题）以及更复杂的参数化过程，如边界层湍流。