TriQXNet: Forecasting Dst Index from Solar Wind Data Using an Interpretable Parallel Classical-Quantum Framework with Uncertainty Quantification

要約

太陽風エネルギーが地球の磁場に伝達することによって引き起こされる磁気嵐は、GPS、衛星通信、送電網などの重要なインフラを混乱させる可能性があります。
妨害嵐時間 (Dst) 指数は嵐の強さを測定します。
リアルタイムの太陽風データを使用した経験的、物理学ベースの、機械学習モデルの進歩にも関わらず、極端な地磁気現象を正確に予測することは、ノイズやセンサーの故障により依然として困難です。
この研究では、Dst 予測のための新しいハイブリッド古典量子ニューラル ネットワークである TriQXNet を紹介します。
私たちのモデルは、古典的コンピューティングと量子コンピューティング、等角予測、説明可能な AI (XAI) をハイブリッド アーキテクチャ内で統合しています。
高品質の入力データを確保するために、特徴の選択、正規化、集計、代入を含む包括的な前処理パイプラインを開発しました。
TriQXNet は、NASA の ACE 衛星と NOAA の DSCOVR 衛星からの前処理された太陽風データを処理し、現在と次の時間の Dst 指数を予測し、磁気嵐の影響を軽減するために重要な事前通知を提供します。
TriQXNet は 13 の最先端のハイブリッド深層学習モデルを上回り、二乗平均平方根誤差 9.27 ナノテスラ (nT) を達成しました。
10 倍の相互検証されたペア t 検定による厳密な評価により、その優れたパフォーマンスが 95% の信頼度で確認されました。
等角予測技術は、運用上の意思決定に不可欠な定量化可能な不確実性を提供し、ShapTime のような XAI 手法は解釈可能性を高めます。
比較分析により、TriQXNet の優れた予測精度が示され、磁気嵐予測に対する新たなレベルの期待が高まり、宇宙天気予測における古典量子ハイブリッド モデルの可能性が強調されました。

要約(オリジナル)

Geomagnetic storms, caused by solar wind energy transfer to Earth’s magnetic field, can disrupt critical infrastructure like GPS, satellite communications, and power grids. The disturbance storm-time (Dst) index measures storm intensity. Despite advancements in empirical, physics-based, and machine-learning models using real-time solar wind data, accurately forecasting extreme geomagnetic events remains challenging due to noise and sensor failures. This research introduces TriQXNet, a novel hybrid classical-quantum neural network for Dst forecasting. Our model integrates classical and quantum computing, conformal prediction, and explainable AI (XAI) within a hybrid architecture. To ensure high-quality input data, we developed a comprehensive preprocessing pipeline that included feature selection, normalization, aggregation, and imputation. TriQXNet processes preprocessed solar wind data from NASA’s ACE and NOAA’s DSCOVR satellites, predicting the Dst index for the current hour and the next, providing vital advance notice to mitigate geomagnetic storm impacts. TriQXNet outperforms 13 state-of-the-art hybrid deep-learning models, achieving a root mean squared error of 9.27 nanoteslas (nT). Rigorous evaluation through 10-fold cross-validated paired t-tests confirmed its superior performance with 95% confidence. Conformal prediction techniques provide quantifiable uncertainty, which is essential for operational decisions, while XAI methods like ShapTime enhance interpretability. Comparative analysis shows TriQXNet’s superior forecasting accuracy, setting a new level of expectations for geomagnetic storm prediction and highlighting the potential of classical-quantum hybrid models in space weather forecasting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google