1 / 1A量子退火的概念图。资料来源:地球物理学的非线性过程(2024)。DOI: 10.5194 / npg - 31 - 237 - 2024

数据同化是一门数学学科，它将观测数据和数值模型结合起来，以提高对动力系统的解释和预测。它是地球科学的一个重要组成部分，特别是在数值天气预报(NWP)。

在过去的二十年里，数据同化技术在NWP中得到了广泛的研究，通过将模式预报和观测资料相结合来改进天气模式的初始条件。世界上大多数NWP中心采用变分和集合-变分数据同化方法，通过基于梯度的优化迭代降低成本函数。然而，这些方法需要大量的计算资源。

最近，量子计算已经成为一种新的计算技术，为克服经典计算机的计算挑战提供了一个有前途的解决方案。

量子计算机可以利用隧道、叠加和纠缠等量子效应来显著降低计算需求。特别是量子退火机器，在解决优化问题方面非常强大。

在一项发表在《地球物理学非线性过程》上的研究中，千叶大学高级学术研究所/环境遥感中心/灾害医学研究所的Shunji Kotsuki教授与他的同事科学与工程研究生院的Fumitoshi Kawasaki和环境遥感中心的Masanao Ohashi一起开发了一种用于量子退火机器的新型数据同化技术。

“我们的研究引入了一种新的量子退火方法来加速数据同化，这是数值天气预报的主要计算瓶颈。通过这种算法，我们首次成功地解决了量子退火炉上的数据同化问题，”Kotsuki教授解释说。

在本研究中，研究人员重点研究了NWP系统中应用最广泛的数据同化方法之一——四维变分数据同化(4DVAR)方法。然而，由于4DVAR是为经典计算机设计的，它不能直接用于量子硬件。

Kotsuki教授说:“与需要成本函数及其梯度的传统4DVAR不同，量子退火炉只需要成本函数。然而，成本函数必须由二进制变量(0或1)表示。因此，我们将4DVAR成本函数(二次无约束优化(QUO)问题)重新表述为二次无约束二进制优化(QUBO)问题，量子退火器可以解决该问题。”

研究人员将这种QUBO方法应用于一系列使用40变量Lorentz-96模型的4DVAR实验，Lorentz-96模型是一种通常用于测试数据同化的动力系统。

他们使用D-Wave Advantage物理量子退火炉(Phy-QA)和Fixstars Amplify模拟量子退火炉(Sim-QA)进行实验。此外，他们使用Broyden-Fletcher-Goldfarb-Shanno公式测试了传统使用的准牛顿迭代方法，用于解决线性和非线性QUO问题，并将其性能与量子退火器的性能进行了比较。

结果表明，量子退火炉产生的分析与传统的准牛顿方法具有相当的精度，但所用的时间只是前者的一小部分。

D-Wave的Phy-QA只需不到0.05秒的计算时间，比传统方法快得多。然而，它也显示出略大的均方根误差，研究人员将其归因于固有的随机量子效应。

为了解决这个问题，他们发现从量子退火炉中读出多个解提高了稳定性和准确性。他们还注意到，由于与前退火器相关的随机量子效应，对调节分析精度很重要的量子数据同化的标度因子在D-Wave Phy-QA和Sim-QA中是不同的。

这些发现表明了量子计算机在降低数据同化计算成本方面的作用。

“我们的方法可以彻底改变未来的NWP系统，以更少的计算时间实现更深入的理解和改进的预测。此外，它有可能推进量子退火炉在解决地球科学中复杂优化问题方面的实际应用，”Kotsuki教授说。

总的来说，提出的创新方法对于激发量子计算机在推进数据同化方面的未来应用具有很大的希望，可能导致更准确的天气预测。