Hybrid-Quantum-Ansatz verbessert 3D-Cloud-Vorhersagen

Wissenschaftler haben ein neues Modell namens QENO vorgestellt, das die Vorhersage von dreidimensionalen Wolkenfeldern deutlich verbessert. 3D‑Wolkenvorhersagen sind entscheidend für die Analyse der Atmosphäre und für kurzfristige Wettermeldungen, doch die komplexen Wechselwirkungen zwischen den Schichten, die nichtlokalen Abhängigkeiten und die multiskaligen Dynamiken machen die Aufgabe schwierig.

Herkömmliche spatiotemporale Modelle, die auf Faltungen, Rekursionen oder Aufmerksamkeitsmechanismen basieren, neigen dazu, lokale Darstellungen zu bevorzugen. Dadurch verlieren sie oft feine Wolkenstrukturen, wenn sie volumetrische Vorhersagen erstellen. QENO löst dieses Problem, indem es klassische und quantum‑inspiriertes Lernen kombiniert.

Die Architektur von QENO besteht aus vier Hauptkomponenten: ein klassischer Encoder, der die Daten in einen kompakten latenten Raum überführt; ein topologie‑bewusstes Quantum‑Enhancement‑Block, der nichtlokale Kopplungen im latenten Raum modelliert; eine dynamische Fusion‑Einheit, die quantum‑basierte Merkmale mit rekurrentem Speicher verbindet; und ein Decoder, der die zukünftigen Wolkenvolumen rekonstruiert.

In Tests mit den CMA‑MESO‑3D‑Cloud‑Datensätzen übertraf QENO sämtliche Vergleichsmodelle, darunter ConvLSTM, PredRNN++, Earthformer, TAU und SimVP. Die Metriken MSE, MAE, RMSE, SSIM und Schwellenwert‑Erkennungswerte zeigten deutlich bessere Ergebnisse. Besonders hervorzuheben sind die Werte MSE = 0,2038, RMSE = 0,4514 und SSIM = 0,6291, die QENO gleichzeitig mit einem schlanken Parameterbudget erreicht.

Diese Ergebnisse deuten darauf hin, dass die Kombination aus topologie‑bewusstem quantum‑inspiriertem Feature‑Engineering und klassischem Deep Learning ein vielversprechender Ansatz für die Zukunft der 3D‑Wolkenvorhersage ist.