La asimilación de datos es una disciplina matemática que integra datos observados y modelos numéricos para mejorar la interpretación y predicción de sistemas dinámicos. Es un componente importante de las ciencias de la Tierra, especialmente en la predicción numérica del tiempo (NWP). Las técnicas de asimilación de datos se han investigado ampliamente durante las últimas dos décadas para mejorar las condiciones iniciales de los modelos climáticos combinando pronósticos de modelos y datos de observación. La mayoría de los centros de PNT de todo el mundo utilizan métodos de asimilación de datos variacionales y manipulativos, que minimizan iterativamente las funciones de costos mediante una optimización basada en gradientes. Sin embargo, estos métodos requieren importantes recursos computacionales.
Recientemente, la computación cuántica ha surgido como una nueva vía de tecnología computacional, que ofrece una solución prometedora para superar los desafíos computacionales de las computadoras clásicas. Las computadoras cuánticas pueden aprovechar efectos cuánticos como túneles, superposición y entrelazamiento para reducir significativamente el entrelazamiento. En particular, las máquinas de recocido cuántico son potentes para resolver problemas de optimización.
En un estudio reciente, el profesor Shunji Kotsuki del Instituto de Investigación Académica Avanzada/Centro de Teledetección Ambiental/Instituto de Investigación de Medicina de Desastres de la Universidad de Chiba, junto con sus colegas Fumitoshi Kawasaki y Masanao Ohashi de la Escuela de Graduados en Ciencias e Ingeniería. El Centro de Teledetección Ambiental ha desarrollado una nueva técnica de recopilación de datos diseñada para máquinas de recocido cuántico. “Nuestro estudio introduce un nuevo enfoque de recocido cuántico para acelerar la asimilación de datos, que es el principal cuello de botella computacional para las predicciones meteorológicas numéricas. Con este algoritmo, hemos implementado por primera vez la asimilación de datos en recocidos cuánticos. Se ha resuelto con éxito”, explica el profesor Kotsuki. . Su estudio fue publicado el 7 de junio de 2024 en la revista Nonlinear Processes in Geophysics.
En el estudio, los investigadores se centraron en el método de asimilación de datos variacionales de cuatro dimensiones (4DVAR), que es uno de los métodos de asimilación de datos más utilizados en los sistemas de PNT. Sin embargo, dado que 4DVAR está diseñado para computadoras clásicas, no se puede utilizar directamente en hardware cuántico. El profesor Kotsuki explica: “A diferencia del 4DVAR tradicional, que requiere una función de costo y su gradiente, los recocidos cuánticos solo requieren la función de costo. Sin embargo, la función de costo se puede representar mediante variables binarias (0 o 1) y debe representarse mediante la función de costo 4DVAR. , un problema de optimización cuadrática sin restricciones (QUO), en un problema de optimización cuadrática sin restricciones (QUBO), que los recocedores cuánticos pueden resolver”.
Los investigadores aplicaron este enfoque QUBO a una serie de experimentos 4DVAR utilizando el modelo Lorentz-96 de 40 variables, un sistema dinámico comúnmente utilizado para probar la asimilación de datos. Realizaron experimentos utilizando el recocido cuántico físico D-Wave Advantage, o Phy-QA, y el recocido cuántico sintético de Fixstars Amplify, o Sim-QA. Además, probaron métodos iterativos basados en cuasi-Newton utilizados convencionalmente, utilizando la fórmula de Bryden-Fletcher-Goldfarb-Sheno, para resolver problemas QUO lineales y no lineales y su rendimiento de los recocedores cuánticos en comparación con ellos.
Los resultados mostraron que los recocedores cuánticos realizaron el análisis con una precisión comparable al enfoque tradicional basado en cuasi-Newton, pero en una fracción del tiempo. Phy-QA de D-Wave requiere menos de 0,05 segundos para el cálculo, lo que es mucho más rápido que los métodos convencionales. Sin embargo, también mostró errores cuadráticos medios ligeramente mayores, que los investigadores atribuyeron a efectos cuánticos estocásticos inherentes. Para solucionar este problema, descubrieron que la lectura de múltiples soluciones con un templador cuántico mejoraba la estabilidad y la precisión. También notaron que el factor de escala para la asimilación de datos cuánticos, que es importante para regular la precisión del análisis, era diferente para D-Wave Phy-QA y Sim-QA, debido a que el primero tenía efectos cuánticos estocásticos asociados. recocido.
Estos resultados indican el papel de las computadoras cuánticas en la reducción del costo computacional de la integración de datos. “Nuestro enfoque podría revolucionar los futuros sistemas de PNT, permitiendo una comprensión más profunda y mejores predicciones con mucho menos tiempo de cálculo. Además, permitirá a los recocedores cuánticos resolver problemas complejos de optimización en las ciencias de la Tierra. Tiene el potencial de avanzar en aplicaciones prácticas”, comenta el profesor. . Kotsuki.
En general, el método innovador propuesto es muy prometedor para estimular futuras aplicaciones de las computadoras cuánticas en el avance de la asimilación de datos, lo que podría conducir a predicciones meteorológicas más precisas.
