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

空气污染是一种无声且普遍存在的威胁，它随着城市和工厂的发展而日益严重，窒息着数百万人的肺部，缩短了人们的寿命。几十年来，科学家和工程师一直依赖强大的计算机程序来预测危险水平的微小颗粒何时以及何处会出现，希望以此为社区提供保护自身的先机。这些被称为深度学习模型的程序擅长在复杂数据中寻找模式，但当空气质量数据变得杂乱、突发或混乱时，它们往往会显得力不从心。此外，训练这些庞大的程序需要消耗大量的电力，这产生了一种与追求更清洁空气的目标相悖的碳足迹。随着世界寻求更好的方法来预报这些环境危害，一个新的前沿领域已经出现：利用奇特的量子物理定律来构建更智能、更高效的预测机器。

在最近的一项研究中，研究人员通过创造一种将量子计算与一种称为小波变换的技术相结合的新型预报工具，向这一未来迈出了重要一步。由 Otto Menegasso Pires 及其同事领导的团队，专注于预测细颗粒物（即 PM2.5）的浓度，这些颗粒物足够微小，可以进入血液并导致严重的健康问题。他们使用来自英国吉尔福德（Guildford）两个监测站的真实世界数据测试了该系统，那里的交通和工业活动造成了高度波动的空气质量。挑战在于，这些监测站的数据非常不稳定，充满了令传统计算机模型感到困惑的突然且极端的污染峰值。

为了解决这个问题，研究人员构建了一个使用量子神经网络的混合系统。与按直线处理信息的标准计算机不同，该系统利用量子力学原理同时探索多种可能性。然而，目前的物理量子计算机规模太小，噪声也太大，无法处理如此大规模且复杂的问题。为了绕过这一限制，该团队使用了一个名为 Dynex 的专门平台，它利用先进的硬件模拟量子计算机的行为，其作用类似于量子退火器。这使得他们能够运行一个拥有高达 172 个量子位的模拟，这一规模远超目前物理量子设备所能达到的水平。他们将这个量子引擎与一种称为离散小波变换的数学方法相结合，该方法将混乱的污染信号分解为其潜在的节奏和突发的震荡，从而使数据更容易被计算机理解。

结果令人瞩目。当研究人员将未经处理的原始污染数据输入系统时，传统的计算机模型无法理解这些突发的峰值，导致预测结果不可靠。相比之下，量子神经网络表现出了对这种波动性的天然韧性，无需对数据进行预处理即可捕捉到污染背后的隐藏动态。它的表现显著优于标准模型，预测准确度提高了一倍。当团队加入小波分解以帮助系统更清晰地观察数据时，量子模型达到了性能巅峰，实现了研究中所测试的所有模型中最高的准确度和最低的误差率。

或许最重要的一点是，这项研究表明，这种量子方法不仅效果更好，而且处理不确定性的方式也不同。当极端污染事件发生时，传统模型往往会给出看似自信实则错误的答案，而量子系统则会正确地扩大其可能的结果范围，在数据变得不稳定时承认危险的存在。研究人员发现，仅仅增加量子模型的复杂度并不总能带来更好的结果；存在一个特定的规模与结构的平衡点最为理想。这表明，量子系统具有一种内在能力，能够从杂乱的现实世界信号中学习，而这是经典计算机无法做到的。

这项工作证明了量子机器学习正在超越理论实验，进入解决实际、高风险问题的领域。通过成功模拟一个拥有 172 个量子位的系统，该团队证明了这些方法可以扩展到处理现实世界环境数据的复杂性。虽然这些结果是在模拟平台上而非物理量子计算机上实现的，但研究结果提供了一条清晰的前行路径。它们表明，在不久的将来，我们或许能够使用这些经过量子增强的工具，以空前的精度监测空气质量，为社区提供可靠、及时的预警，让他们能够保持安全，同时可能比我们今天依赖的大规模经典计算机使用更少的能源。