Atmosphere: Подход квантового машинного обучения к пространственно-временному моделированию выбросов
Несмотря на растущее влияние выбросов на наше здоровье и окружающую среду, остаётся неудовлетворённой потребность в прогнозировании концентрации выбросов. Накапливание данных со станций мониторинга и спутников делает задачу подходящей для квантового машинного обучения. В этой работе используется подход квантового машинного обучения к пространственно-временному прогнозированию концентрации выбросов. Была разработана модель квантовой нейронной сети, которая сравнивалась с классической пространственно-временной моделью ConvLSTM с использованием системы оценки базовых моделей и показателей потери каждого пикселя и пересечения над точностью объединения. Разработанная квантовая нейронная сеть успешно генерирует прогнозы концентрации выбросов на один час вперёд со всё более низкими потерями (на 6,5% и 30,5% меньше) и более высокой точностью (на 18,4% и 18,6% выше) по сравнению с независимыми от входных данных и случайными базовыми линиями в конце обучения. Квантовая модель также была сравнима с классической моделью ConvLSTM с немного меньшими потерями (4%), но также немного меньшей точностью (3,7%). Результаты исследования показывают, что подход квантового машинного обучения может улучшить моделирование концентрации выбросов и может стать мощным инструментом для точного прогнозирования загрязнения воздуха.
