Mierk Schwabe · Lorenzo Pastori · Valentina Sarandrea · Veronika Eyring

IEEE Xplore · 2026

Das quantenbasierte maschinelle Lernen (QML) macht rasante Fortschritte, und QML-basierte Modelle versprechen quantenbasierte Vorteile wie potenziell höhere Ausdruckskraft und Generalisierbarkeit als ihre klassischen Pendants. Hier präsentieren wir Arbeiten zur Verwendung eines quantenbasierten neuronalen Netzes (QNN) zur Entwicklung einer Parametrisierung der Wolkendecke für ein Erdsystemmodell (ESM). ESMs werden für die Vorhersage und Projektion des Klimawandels benötigt und können in Hybridmodellen verbessert werden, die sowohl traditionelle physikalische Komponenten als auch Modelle des maschinellen Lernens (ML) enthalten. Wir zeigen, dass ein QNN die Wolkendecke mit einer ähnlichen Leistung wie ein klassisches NN mit derselben Anzahl freier Parameter vorhersagen kann und deutlich besser ist als das traditionelle Schema. Wir analysieren auch die Lernfähigkeit des QNN im Vergleich zum klassischen NN und zeigen, dass QNNs, zumindest in unserem Beispiel, konsistentere Beziehungen lernen als klassische NNs.

IEEE Xplore (2026)
https://doi.org/10.1109/QAI63978.2025.00019