量子机器学习算法求解精度实现指数级提升

文章正文
发布时间:2024-09-18 15:38

科技日报记者 吴长锋

记者从合肥高新区了解到,由国内量子计算领军企业本源量子与中国科学院资源与环境信息系统国家重点实验室牵头的研究团队携手合作,运用HASM-HHL量子机器学习算法,实现了江西省武功山的数字地形模型(DTM)降尺度,并研究了多种计算精度下,该算法对应的量子线路的变化过程,不仅能达到经典预处理共轭梯度法的计算精度,同时算法复杂度相对于经典算法有效降低。研究成果日前发表在《科学报告》上。

如何采用理论完备的方法实现外蕴量信息(例如卫星遥感信息)与内蕴量信息(例如地面观测信息)的有效集成,并解决生态环境曲面建模的误差问题、多尺度问题、非线性问题和大内存需求问题,一直以来是生态环境信息学面临的重要挑战。为解决上述问题,研究人员将生态环境要素的格网化表达抽象为数学“曲面”,并通过曲面论、系统论和优化控制论以及现代计算机技术的有机结合,创建了集成外蕴量和内蕴量信息的高精度曲面建模(HASM)方法。然而,HASM仍有许多遗留问题亟待解决。

高精度曲面建模(HASM)方法可将空间生态环境要素曲面建模转换为求解大型稀疏线性代数方程组,该大型线性系统可运用HHL量子算法进行求解,将HASM机器学习与HHL量子算法的耦合称为HASM-HHL量子机器学习。研究团队基于对HASM全局预测能力进行理论研究和数值实验基础上,选择江西省武功山地区为案例区开展实证研究,并通过本源量子QPanda提供的分布式计算框架,进行量子算法模拟。经估算,运用HASM-HHL模拟整个地球表面时,在1公里×1公里空间分辨率,需要40量子比特;在1米×1米空间分辨率,需要45量子比特。结果表明,在充足的物理量子计算资源条件下,HASM-HHL算法具有更高的求解精度,相对于经典算法有指数级加速效果。

这一成果诞生的HASM-HHL算法不仅提供了新的算法框架,也为后续更多的复杂计算问题提供了新的思路,未来有望在模拟分析地球表层系统及其生态环境要素领域获得更广泛的应用。

首页
评论
分享
Top