Quantum-Enhanced Parameter-Efficient Learning for Typhoon Trajectory Forecasting

要約

台風の軌跡予測は災害の準備に不可欠ですが、大気のダイナミクスの複雑さと深い学習モデルのリソース要件のために、計算上厳しいままです。
量子ニューラルネットワーク（QNNS）を活用してトレーニング中にトレーニング可能なパラメーターを生成するハイブリッド量子クラシカルフレームワークである量子トレイン（QT）は、推論時に量子ハードウェアの必要性を排除します。
画像分類、強化学習、洪水予測、大規模な言語モデル（LLM）の微調整など、複数のドメインにわたるQTの成功に基づいて、効率的な台風予測モデル学習のための量子パラメーター適応（QPA）を導入します。
注意ベースのマルチコンブグラモデルと統合されたQPAは、予測精度を維持しながらパラメーター効率の高いトレーニングを可能にします。
この作業は、大規模な台風軌跡予測への量子機械学習（QML）の最初の応用を表しており、気候モデリングに対するスケーラブルでエネルギー効率の高いアプローチを提供します。
我々の結果は、QPAがパフォーマンスを維持しながら訓練可能なパラメーターの数を大幅に削減し、ハイブリッド量子クラシック学習を通じて高性能予測をよりアクセスしやすく持続可能にすることを示しています。

要約(オリジナル)

Typhoon trajectory forecasting is essential for disaster preparedness but remains computationally demanding due to the complexity of atmospheric dynamics and the resource requirements of deep learning models. Quantum-Train (QT), a hybrid quantum-classical framework that leverages quantum neural networks (QNNs) to generate trainable parameters exclusively during training, eliminating the need for quantum hardware at inference time. Building on QT’s success across multiple domains, including image classification, reinforcement learning, flood prediction, and large language model (LLM) fine-tuning, we introduce Quantum Parameter Adaptation (QPA) for efficient typhoon forecasting model learning. Integrated with an Attention-based Multi-ConvGRU model, QPA enables parameter-efficient training while maintaining predictive accuracy. This work represents the first application of quantum machine learning (QML) to large-scale typhoon trajectory prediction, offering a scalable and energy-efficient approach to climate modeling. Our results demonstrate that QPA significantly reduces the number of trainable parameters while preserving performance, making high-performance forecasting more accessible and sustainable through hybrid quantum-classical learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google