目录
[1 文献阅读 《Synthetic weather radar using hybrid quantum-classical machine learning》](#1 文献阅读 《Synthetic weather radar using hybrid quantum-classical machine learning》)
[1.1 研究背景](#1.1 研究背景)
[1.2 方法论](#1.2 方法论)
[1.3 创新点](#1.3 创新点)
[1.4 实验结果](#1.4 实验结果)
[2 总结](#2 总结)
摘要
本周主要阅读了《Synthetic weather radar using hybrid quantum-classical machine learning》这篇论文，了解了混合量子经典机器学习在合成天气雷达中的应用，重点包括研究量子核方法、量子变分自编码器和量子卷积神经网络等。
Abstract
This week, I mainly read the paper titled "Synthetic weather radar using hybrid quantum-classical machine learning" and learned about the application of hybrid quantum-classical machine learning in synthesizing weather radar, with a focus on studying quantum kernel methods, quantum variational autoencoders, and quantum convolutional neural networks, among others.
1 文献阅读 《Synthetic weather radar using hybrid quantum-classical machine learning》
1.1 研究背景
本文研究目标是在没有真实天气雷达覆盖的区域，利用其他气象数据生成类似雷达的天气图像，具体场景包括海洋上空、偏远地区、灾害救援区域与航空飞行路线等。这些地方对雷达数据依赖程度非常高，但往往没有高分辨率的气象雷达。
传统方案中，有研究者曾提出OPC-CNN系统，即使用卷积神经网络融合多种气象数据来生成雷达图像，主要包括卫星图像（SAT）、闪电观测数据（LGHT）与数值天气预报模型（MOD）。这些数据都会被输入神经网络，然后输出VIL（垂直液态水积分）、ET（回波顶高度）与CR（组合反射率）三个雷达特征。虽然现在OPC-CNN已经能投入实际应用，但仍存在两个关键问题，第一是其生成精度不如真实雷达，第二则输入数据本身的可靠性可能不够。
p.s. VIL表示单位面积上方垂直气柱内所有液态水含量的总和，通常用于判断风暴强度、识别冰雹潜势；ET指雷达探测到某一指定反射率阈值的最高高度，通常用于分析风暴的发展高度，辅助判断对流强度及冰雹、闪电的可能性；CR则将雷达体扫范围内各仰角上每个方位格点的最大反射率投影到二维平面上，主要用于快速识别风暴位置、形态及强度分布。
与此同时，有相关理论工作指出，某些高维复杂数据可能具有量子优势，即对于某些数据而言，量子核方法在理论上可能比经典机器学习更强，但缺少真实世界的大规模应用验证。
基于此，本文希望在验证天气数据是否具备量子优势的同时尝试构建"量子+经典"的混合气象雷达生成系统。
1.2 方法论
本文主要是在OPC-CNN的基础探索哪些部分适合量子化，并进行替换，故其方法论主要包括量子优势理论验证与模型结构替换两个部分。
在优势验证上，主要参考 Power of data in quantum machine learning | Nature Communications 中提出的量子核分析方法，认为如果量子核矩阵与经典核矩阵差异足够大，就可以说明量子模型能表达经典模型难以表达的数据结构；
在模型结构替换上，主要包括两个方面。
一个是在输入数据缺失时，尝试使用量子模型生成替代输入，本质上属于数据预处理部分。研究利用量子部分进行概率分布生成，经典神经网络进行编码与解码，进而构建了Quantum VAE。
另一个则直接将基础架构中的第一层卷积用量子电路替代，输入 patch 映射到量子态，同时输出量子测量结果作为新特征，构建了Quanvolution OPC-CNN。
1.3 创新点
本文创新点主要如下：
首先，它首次在高维天气数据、多模态遥感数据上验证量子核理论，证明了真实气象数据具备潜在的量子优势；
其次，将量子生成模型用于天气数据补全，将量子与生成模型结合，拓宽了其应用领域。
最后，首次将 Quanvolution 应用于多模态气象遥感，并在真实量子硬件上运行，有一定的挑战性。
1.4 实验结果
本文实验主要包括量子优势验证、Quantum VAE效果与Quanvolution OPC-CNN效果三部分。
在量子优势验证上，发现量子核与经典核的表达能力差异显著，但对于当前天气标签（TARG）而言，经典SVM的效果仍优于量子SVM，即虽然数据复杂，但现有量子模型还没有真正捕获有效判别结构。
在Quantum VAE效果上，发现其在LGHT上效果明显优于SAT，说明当前量子模型的能力还不足以生成复杂遥感图像。
在Quanvolution OPC-CNN效果上，发现相较经典CNN，部分指标存在小幅提升。这证明量子卷积确实可能提取到更有效的局部特征，只不过在更强天气预测上仍然困难。另外，与SAT相关的量子模型普遍性能下降明显，说明当前量子系统对复杂高维图像特征的表达能力仍然有限。
2 总结
本周阅读的这篇文章是2021年的，与现在相隔较远，所以很多实验结果都不算理想，工作量也不算大。找这篇文章主要是冲着多源数据融合与量子卷积两个部分去的，看下来并没有得到理想的结果，但也有一定收获，比如对OPC-CNN模型有了一定的认识，然后接触到了一篇量子方面比较偏理论的论文，下周可以考虑看一下这两个方面的论文。