3D 云场的混合量子-经典时空预测
机器学习
2026-04-01 v1 人工智能
摘要
三维（3D）云场的准确预测对大气分析和短期数值天气预报具有重要意义，但由于云演变涉及跨层交互、非局部依赖和多尺度时空动力学，该任务仍然具有挑战性。基于卷积、递归或注意力机制的现有时空预测模型通常依赖局部偏置表示，因此在体积分预测任务中难以保持精细的云结构。为了解决这一问题，我们提出了 QENO，一种用于 3D 云场的混合量子启发式时空预测框架。该架构由四个组件组成：用于紧凑潜在表示的经典时空编码器、用于在潜在空间中建模非局部耦合的拓扑感知量子增强模块、用于整合测量衍生量子特征与循环记忆的动态融合时间单元，以及用于重建未来云体的解码器。在 CMA-MESO 3D 云场上的实验表明，QENO 在 MSE、MAE、RMSE、SSIM 和基于阈值的检测指标方面持续优于代表性基线方法，包括 ConvLSTM、PredRNN++、Earthformer、TAU 和 SimVP 变体。特别是，QENO 实现了 0.2038 的 MSE、0.4514 的 RMSE 和 0.6291 的 SSIM，同时保持了紧凑的参数预算。这些结果表明，拓扑感知的混合量子-经典特征建模是 3D 云结构预测和大气地球观测数据分析的有前景方向。
引用
@article{arxiv.2603.29407,
title = {Hybrid Quantum-Classical Spatiotemporal Forecasting for 3D Cloud Fields},
author = {Fu Wang and Qifeng Lu and Xinyu Long and Meng Zhang and Xiaofei Yang and Weijia Cao and Xiaowen Chu},
journal= {arXiv preprint arXiv:2603.29407},
year = {2026}
}