量子科技中心_量科网

台风轨迹预测对于灾害防范至关重要，但由于大气动力学的复杂性以及深度学习模型的资源需求，该任务在计算上仍然具有挑战性。Quantum-Train（QT）是一种混合量子-经典框架，利用量子神经网络（QNNs）在训练期间生成可训练参数，从而在推理时无需量子硬件。基于QT在图像分类、强化学习、洪水预测和大语言模型（LLM）微调等多个领域的成功应用，该研究团队提出了量子参数适应（QPA）方法，用于高效的台风预测模型学习。QPA与基于注意力的多卷积门控循环单元（Multi-ConvGRU）模型相结合，实现了参数高效训练，同时保持了预测精度。该工作首次将量子机器学习（QML）应用于大规模台风轨迹预测，为气候建模提供了一种可扩展且节能的方法。研究结果表明，QPA在保持性能的同时显著减少了可训练参数的数量，通过混合量子-经典学习使高性能预测更加易于实现和可持续。