本申請(qǐng)涉及量子計(jì)算，更具體而言，涉及到一種基于量子卷積注意力模塊的氣象預(yù)測(cè)方法。

背景技術(shù)：

1、準(zhǔn)確預(yù)測(cè)天氣是現(xiàn)代工業(yè)化社會(huì)中的一個(gè)重要標(biāo)志，天氣預(yù)報(bào)被廣泛用于個(gè)人和經(jīng)濟(jì)生活的規(guī)劃、組織和管理。迄今為止，天氣預(yù)報(bào)的主要方法是數(shù)值天氣預(yù)報(bào)(nwp)。nwp依賴于考慮大氣不同物理屬性(如空氣速度、壓力和溫度)的數(shù)學(xué)模型。在相關(guān)技術(shù)中，能夠用于nwp的數(shù)學(xué)模型較為復(fù)雜，且受限于計(jì)算資源的消耗，氣象預(yù)測(cè)的準(zhǔn)確率難以進(jìn)一步提高。

技術(shù)實(shí)現(xiàn)思路

1、本申請(qǐng)實(shí)施方式提供一種基于量子卷積注意力模塊的氣象預(yù)測(cè)方法。

2、本申請(qǐng)實(shí)施方式提供一種基于量子卷積注意力模塊的氣象預(yù)測(cè)方法，所述氣象預(yù)測(cè)方法包括：

3、將氣象圖像輸入預(yù)訓(xùn)練好的qcbam-unet模型的所述編碼器的所述卷積模塊進(jìn)行卷積處理，得到初步特征圖；

4、將所述初步特征圖輸入所述編碼器的量子卷積注意力模塊并進(jìn)行處理，得到所述氣象特征圖，所述量子卷積注意力模塊配置為基于量子計(jì)算進(jìn)行特征提取；

5、將所述氣象特征圖跳躍連接至所述qcbam-unet模型的所述解碼器并進(jìn)行處理，以得到預(yù)測(cè)結(jié)果。

6、如此，通過(guò)將輸入圖像輸入qcbam-unet模型編碼器的卷積模塊得到初步特征圖，并使用量子卷積注意力模塊對(duì)初步特征圖進(jìn)行特征的集中提取，以得到注意力特征圖，并將注意力特征圖輸入解碼器進(jìn)行處理得到預(yù)測(cè)結(jié)果。通過(guò)加入量子卷積注意力模塊，能夠使得qcbam-unet模型更集中于目標(biāo)特征，加快qcbam-unet模型訓(xùn)練時(shí)的收斂速度，并且提高預(yù)測(cè)的準(zhǔn)確率。

7、本申請(qǐng)實(shí)施方式提供一種qcbam-unet模型，所述qcbam-unet模型包括：

8、編碼器，所述編碼器包括卷積模塊和量子卷積注意力模塊，所述卷積模塊配置為對(duì)qcbam-unet模型的輸入圖像進(jìn)行卷積處理，得到初步特征圖，量子卷積注意力模塊配置為對(duì)所述初步特征圖進(jìn)行注意力特征提取，得到注意力特征圖；

9、解碼器，所述解碼器用于對(duì)所述注意力特征圖進(jìn)行處理，以得到預(yù)測(cè)結(jié)果。

10、如此，通過(guò)加入量子卷積注意力模塊，能夠使得qcbam-unet模型更集中于目標(biāo)特征，加快qcbam-unet模型訓(xùn)練時(shí)的收斂速度，并且提高預(yù)測(cè)的準(zhǔn)確率。

11、在某些實(shí)施方式中，所述量子卷積注意力模塊包括：

12、量子通道注意力子模塊，所述量子通道注意力子模塊配置為提取所述初步特征圖中的通道注意力特征，以得到通道注意力特征圖；

13、量子空間注意力子模塊，所述量子空間注意力子模塊配置為提取中間特征圖中的空間注意力特征，以得到空間注意力特征圖，所述中間特征圖是根據(jù)所述初步特征圖和所述通道注意力特征圖確定的，所述注意力特征圖是根據(jù)所述空間注意力特征圖和所述中間特征圖確定的。

14、結(jié)合最大池化處理和平均池化處理，在某些實(shí)施方式中，所述量子通道注意力子模塊包括：

15、第一池化單元，所述第一池化單元配置為對(duì)所述初步特征圖的空間維度特征進(jìn)行池化處理；

16、多層感知機(jī)，所述多層感知機(jī)配置為提取池化后的初步特征圖的通道注意力特征。

17、如此，通過(guò)第一池化單元可以聚集初步特征圖中的空間維度特征，使得多層感知機(jī)能夠更好地提取初步特征圖中的通道注意力特征。

18、在某些實(shí)施方式中，所述多層感知機(jī)包括全連接層、激活函數(shù)和量子神經(jīng)網(wǎng)絡(luò)，所述量子神經(jīng)網(wǎng)絡(luò)是根據(jù)參數(shù)化的量子電路得到的。

19、如此，通過(guò)在多層感知機(jī)中加入根據(jù)參數(shù)化的量子電路得到的量子神經(jīng)網(wǎng)絡(luò)，有效減少了模型的參數(shù)量，降低了訓(xùn)練成本，加速了模型的收斂速度。

20、在某些實(shí)施方式中，所述量子電路包括：

21、映射子單元，所述映射單元配置為將輸入所述量子電路的輸入?yún)?shù)映射至量子態(tài)；

22、擬設(shè)子單元，所述擬設(shè)單元配置為處理量子態(tài)的所述輸入?yún)?shù)，以得到處理結(jié)果；

23、測(cè)量子單元，所述測(cè)量單元配置為將所述處理結(jié)果轉(zhuǎn)換至經(jīng)典態(tài)，以得到所述通道注意力特征。

24、在某些實(shí)施方式中，所述量子空間注意力子模塊包括：

25、第二池化單元，所述第二池化單元配置為所述對(duì)所述中間特征圖進(jìn)行通道維度的池化處理；

26、量子卷積單元，所述量子卷積單元配置為通過(guò)量子線路對(duì)池化處理后的所述中間特征圖進(jìn)行量子卷積，得到所述空間注意力特征圖。

27、如此，通過(guò)量子線路引入，提高了量子卷積單元對(duì)輸入特征的表達(dá)能力，使得模型能夠更準(zhǔn)確地提取和利用特征。

28、在某些實(shí)施方式中，所述池化處理包括最大池化處理和平均池化處理。

29、如此，結(jié)合最大池化處理和平均池化處理，可以使得量子注意力模塊能夠更好地提取注意力特征。

30、在某些實(shí)施方式中，所述qcbam-unet模型通過(guò)以下步驟訓(xùn)練得到：

31、將氣象訓(xùn)練圖像輸入qcbam-unet模型的所述編碼器的所述卷積模塊進(jìn)行卷積處理，得到初步訓(xùn)練特征圖；

32、將所述初步訓(xùn)練特征圖輸入所述編碼器的量子卷積注意力模塊并進(jìn)行處理，得到所述氣象訓(xùn)練特征圖，所述量子卷積注意力模塊配置為基于量子計(jì)算進(jìn)行特征提?。?/p>

33、將所述氣象訓(xùn)練特征圖跳躍連接至所述qcbam-unet模型的解碼器并進(jìn)行處理，以得到預(yù)測(cè)氣象結(jié)果；

34、根據(jù)預(yù)測(cè)氣象結(jié)果和預(yù)設(shè)氣象結(jié)果確定損失函數(shù)值；

35、根據(jù)損失函數(shù)值調(diào)節(jié)所述qcbam-unet模型。

36、如此，通過(guò)根據(jù)預(yù)測(cè)氣象結(jié)果和預(yù)設(shè)氣象結(jié)果確定損失函數(shù)值，并根據(jù)損失函數(shù)值不斷調(diào)節(jié)qcbam-unet模型，能夠得到預(yù)訓(xùn)練好的qcbam-unet模型。

37、在某些實(shí)施方式中，所述損失函數(shù)值是根據(jù)損失權(quán)重、均方誤差損失值和絕對(duì)誤差損失值確定的。

38、如此，結(jié)合均方誤差和平均絕對(duì)誤差可以更好地評(píng)估模型預(yù)測(cè)值和實(shí)際觀察值之間的差異，從而能夠用于更有效地訓(xùn)練qcbam-unet模型。

39、本申請(qǐng)的附加方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過(guò)本申請(qǐng)的實(shí)踐了解到。

技術(shù)特征：

1.一種基于量子卷積注意力模塊的氣象預(yù)測(cè)方法，其特征在于，所述氣象預(yù)測(cè)方法包括：

2.根據(jù)權(quán)利要求1所述的氣象預(yù)測(cè)方法，其特征在于，所述qcbam-unet模型包括：

3.根據(jù)權(quán)利要求1所述的氣象預(yù)測(cè)方法，其特征在于，所述量子卷積注意力模塊包括：

4.根據(jù)權(quán)利要求3所述的氣象預(yù)測(cè)方法，其特征在于，所述量子通道注意力子模塊包括：

5.根據(jù)權(quán)利要求4所述的氣象預(yù)測(cè)方法，其特征在于，所述多層感知機(jī)包括全連接層、激活函數(shù)和量子神經(jīng)網(wǎng)絡(luò)，所述量子神經(jīng)網(wǎng)絡(luò)是根據(jù)參數(shù)化的量子電路得到的。

6.根據(jù)權(quán)利要求5所述的氣象預(yù)測(cè)方法，其特征在于，所述量子電路包括：

7.根據(jù)權(quán)利要求3所述的氣象預(yù)測(cè)方法，其特征在于，所述量子空間注意力子模塊包括：

8.根據(jù)權(quán)利要求7所述的氣象預(yù)測(cè)方法，其特征在于，所述池化處理包括最大池化處理和平均池化處理。

9.根據(jù)權(quán)利要求1至8任意一項(xiàng)所述的氣象預(yù)測(cè)方法，其特征在于，所述qcbam-unet模型通過(guò)以下步驟訓(xùn)練得到：

10.根據(jù)權(quán)利要求9所述的氣象預(yù)測(cè)方法，其特征在于，所述損失函數(shù)值是根據(jù)損失權(quán)重、均方誤差損失值和絕對(duì)誤差損失值確定的。

技術(shù)總結(jié)
本申請(qǐng)公開了一種基于量子卷積注意力模塊的氣象預(yù)測(cè)方法。本申請(qǐng)的氣象預(yù)測(cè)方法包括：將氣象圖像輸入預(yù)訓(xùn)練好的QCBAM?UNet模型的編碼器的卷積模塊進(jìn)行卷積處理，得到初步特征圖；將初步特征圖輸入編碼器的量子卷積注意力模塊并進(jìn)行處理，得到氣象特征圖，量子卷積注意力模塊配置為基于量子計(jì)算進(jìn)行特征提??；將氣象特征圖跳躍連接至QCBAM?UNet模型的解碼器并進(jìn)行處理，以得到預(yù)測(cè)結(jié)果。本申請(qǐng)的氣象預(yù)測(cè)方法使用的QCBAM?UNet模型加入了量子卷積注意力模塊，使得QCBAM?UNet模型能夠更集中于目標(biāo)特征，加快QCBAM?UNet模型訓(xùn)練時(shí)的收斂速度，并且提高預(yù)測(cè)的準(zhǔn)確率。

技術(shù)研發(fā)人員：王乾坤,何志新,李兆威,胡嘉晟
受保護(hù)的技術(shù)使用者：中電信量子信息科技集團(tuán)有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6