量子计算和机器学习是流体动力学的有效工具
为了防止飞机失速，工程师们长期以来一直在研究机翼(例如飞机机翼)上的空气流动，以检测气流分离发生时的角度。最近，上海交通大学的一组研究人员(包括袁熙君和陈子桥)研究了量子计算与机器学习的结合，作为解决此类问题的更准确的方法。他们的研究成果于 11 月 21 日发表在《智能计算》(Science Partner Journal)上。
使用量子支持向量机而不是经典支持向量机将流动分离的分类精度从81.8%提高到90.9%，并将攻角分类的精度从67.0%提高到79.0%。这些结果有助于表明，使用量子计算方法解决流体动力学问题可能比使用经典计算方法更快、更准确，特别是因为这种情况下的数据集很大。除了飞机设计之外，量子支持向量机的潜在应用还包括水下导航和目标跟踪。
研究人员执行了两项分类任务。第一个是对小数据集进行二元分类，以检测是否发生了流动分离。选择小数据集是因为小数据集很难实现高精度分类。这项任务的数据是从风洞中机翼上的压力传感器收集的，具有不同的空速和迎角。该数据集由 45 个多维点组成：27 个没有流分离的情况，18 个有流分离的情况。该数据集分为 34 个点用于训练，11 个点用于测试。
第二个任务更加复杂。它将流动分离后翼型的迎角分为四类之一。为了实现这一目标，该问题被分解为四个一对一的分类问题，四个类别中的每个类别都有一个二元输入或输出分类器。该任务的数据是通过模拟创建的。该数据集由采样获得的63个多维点组成。该数据集分为 43 个用于训练的点和 20 个用于测试的点。使用不同的训练和测试数据组合重复训练和测试过程10次，得到10次测试的平均准确率。
研究人员选择的特定类型的分类算法是基于量子退火的监督机器学习算法，称为支持向量机。他们使用的量子退火器是 D-Wave Advantage 4.1 系统，一种物理量子计算设备。
支持向量机的量子退火实现比经典的对应机器表现出更好的性能，其结构简单且鲁棒，但存储和计算成本较高，因此不易扩展。
量子退火是一种利用量子涨落在一组解决方案中寻找全局最小值的优化过程。由于该过程为全局最小值生成了多个良好的候选者，因此它可以比其他更容易陷入局部最小值的优化算法获得更准确的结果。
版权声明：本文由用户上传，如有侵权请联系删除！