TriQXNet：利用可解释的并行经典-量子框架结合不确定性量化从太阳风数据预测Dst指数
人工智能
2025-10-17 v3
摘要
地磁暴由太阳风能量传递至地球磁场引起，可能破坏GPS、卫星通信和电网等关键基础设施。扰动风暴时（Dst）指数用于衡量风暴强度。尽管在使用实时太阳风数据的经验模型、物理模型和机器学习模型方面取得了进展，但由于噪声和传感器故障，准确预测极端地磁事件仍然具有挑战性。本研究引入了TriQXNet，一种用于Dst预测的新型混合经典-量子神经网络。我们的模型在混合架构中集成了经典计算和量子计算、保形预测以及可解释人工智能（XAI）。为确保高质量的输入数据，我们开发了一个全面的预处理流程，包括特征选择、归一化、聚合和插补。TriQXNet处理来自NASA的ACE和NOAA的DSCOVR卫星的预处理太阳风数据，预测当前小时和下一小时的Dst指数，为减轻地磁暴影响提供至关重要的预警。TriQXNet优于13种最先进的混合深度学习模型，均方根误差达到9.27纳特斯拉（nT）。通过10折交叉验证配对t检验进行的严格评估以95%的置信度确认了其优越性能。保形预测技术提供了可量化的不确定性，这对于操作决策至关重要，而ShapTime等XAI方法则增强了可解释性。对比分析显示了TriQXNet卓越的预测准确性，为地磁暴预测设定了新的期望水平，并突显了经典-量子混合模型在空间天气预报中的潜力。
引用
@article{arxiv.2407.06658,
title = {TriQXNet: Forecasting Dst Index from Solar Wind Data Using an Interpretable Parallel Classical-Quantum Framework with Uncertainty Quantification},
author = {Md Abrar Jahin and M. F. Mridha and Zeyar Aung and Nilanjan Dey and R. Simon Sherratt},
journal= {arXiv preprint arXiv:2407.06658},
year = {2025}
}