量子-Train 长短期记忆：用于洪峰预测的应用
量子物理
2024-07-12 v1
摘要
洪峰预测是气候变化背景下的关键挑战，对生态系统保护、人身安全和基础设施保护具有重大意义。在本研究中，我们通过将 Quantum-Train (QT) 技术应用于由 Quantum Machine Learning (QML) 训练的预测性长短期记忆 (LSTM) 模型来解决这一问题。QT 技术原本在 QHack 2024 的 A Matter of Taste 挑战中取得成功，利用 QML 将经典神经网络 (NN) 的可训练参数数量降低为经典 NN 参数数量的多对数函数。这种创新框架将经典 NN 权重映射到 Hilbert 空间，通过改变量子态概率分布来调整 NN 参数。我们的做法直接处理经典数据，无需量子嵌入，训练后还能独立于量子计算资源运行，因而在实际应用中具有高度实用性和可接近性。这一模型旨在提高洪峰预测的效率，最终有助于更好地准备灾难并实现响应。
引用
@article{arxiv.2407.08617,
title = {Quantum-Train Long Short-Term Memory: Application on Flood Prediction Problem},
author = {Chu-Hsuan Abraham Lin and Chen-Yu Liu and Kuan-Cheng Chen},
journal= {arXiv preprint arXiv:2407.08617},
year = {2024}
}
备注
6 pages, 4 figures