面向气候模型云量参数化的量子神经网络
量子物理
2025-02-17 v1 大气与海洋物理
摘要
长期气候投影需要在数百年时间尺度上运行全球地球系统模型，由于计算成本高昂，其水平分辨率相对较粗（从 40 到 160 公里）。未解决的次网格尺度过程（如云层）以半经验方式描述，即所谓的参数化方法，这些方法是气候投影主要不确定来源。训练于短期高分辨率气候模拟的机器学习模型是取代传统参数化方法的有前景的候选方案。本文探讨了量子机器学习（QML）特别是量子神经网络（QNN）用于开发云量参数化的潜力。QNN 与其经典对手存在差异，其潜在的高表达性使其成为准确数据驱动方案的有前景工具，可用于气候模型中。我们对多种 QNN 与经典神经网络（NN）进行了广泛的比较分析，两者均在来自高分辨率模拟数据（使用 ICOsahedral Non-hydrostatic weather and climate model，简称 ICON）进行训练。我们的结果表明，所调查的 QNN 的总体性能与规模相似的经典 NN 相当，即具有相同数量的可训练参数，两种方法都优于气候模型中使用的标准参数化方法。我们的研究包括对模型泛化能力的分析以及其优化景观的几何特性分析。我们还研究了有限抽样噪声的影响，表明即使在噪声环境下，QNN 的训练和预测仍稳定。这些结果表明 QML 可用于从气候数据中学习有意义的模式，因而对气候建模社区广泛的问题都具有相关性。
引用
@article{arxiv.2502.10131,
title = {Quantum Neural Networks for Cloud Cover Parameterizations in Climate Models},
author = {Lorenzo Pastori and Arthur Grundner and Veronika Eyring and Mierk Schwabe},
journal= {arXiv preprint arXiv:2502.10131},
year = {2025}
}