以量子之微，察台风之著 | 我们如何用量子计算预测天气

这个周末，台风“巴威”的一举一动都牵动着我国东南沿海亿万民众敏感的神经。

虽然每年夏秋季节，我国广阔的沿海区域都要迎接数次台风的造访，但每一次都是如临大敌，不能掉以轻心。台风以其巨大的体积和能量释放，带来常规基础设施难以应对的灾害天气，造成严重的社会财产破坏乃至人民生命的损失。每当台风裹挟着狂风暴雨逼近沿海，每一次路径和强度的误判，都可能意味着数以亿计的经济损失和无数家庭的安危。

然而，尽管超级计算机不断升级，气象预报的模型也在不断改进，台风的精准预报至今仍是全球性难题。

传统的数值天气预报模型，本质上是求解大气运动的物理方程组。对于台风这种多尺度耦合的复杂系统，现有模型的分辨率仍然无法精确解析台风内核的对流过程。结果，对台风的准确预报，尤其是在中长期路径特别是强度预报方面，始终难以做到尽如人意。

面对这一困局，科学家们开始尝试另一条路：不执着于把物理模型算得更精细，而是让人工智能从历史数据中“学会”预测未来。

近年来，人工智能已经成为天气预测领域的重要工具。传统深度学习模型，例如循环神经网络（RNN）、长短期记忆网络（LSTM）以及近年来的大模型方法，都能够从大量历史数据中学习天气变化模式。这类方法的本质，是通过大量可训练参数构建一个庞大的“黑箱”，让它自己发现数据中隐藏的规律。

然而，这套方法有一个致命问题：随着任务复杂度增加，模型规模不断扩大。训练一个高性能的天气预测模型，往往需要堆叠数百万甚至数十亿参数，消耗巨量的算力和电力。这就像训练一个巨大的大脑去理解天气，但代价是成本高得吓人。

那么，是否存在另一种思路？不是让模型变得越来越大，而是利用一个本身具有复杂动力学特征的系统，让它帮助我们处理信息。

这就是储层计算（Reservoir Computing）的核心思想。

要理解储层计算，可以先回到一个朴素的问题：很多现实问题都具有“记忆效应”。天气变化不会只由当前时刻决定，而会受到过去状态影响；金融市场的变化也不是完全随机，而可能隐藏着历史信息。这一类时间序列问题在现实世界中极为常见，与我们的生活息息相关。

天气变化看似复杂，但从计算角度来看，它实际上是一个典型的时间序列预测问题。今天的天气状态并不是突然产生的，而是过去一段时间大气运动不断积累的结果。温度、湿度、气压、风速等变量随着时间持续变化，并且相互影响。预测未来天气，本质上就是根据已经发生的历史数据，寻找其中隐藏的演化规律。台风预测也是如此。传统的预报研究是基于复杂的动力学方程，但当问题复杂程度达到传统计算难以应对的情况下，储层计算也许可以给我们提供柳暗花明的解决问题新途径。

储层计算的核心思想是：让一个具有复杂动态变化能力的系统作为“信息处理器”。输入数据进入系统后，系统内部会发生复杂演化，并留下过去信息的痕迹。研究人员不需要训练整个系统，只需要训练最后的输出部分，让它学会如何从系统状态中提取有用信息。

想象一个水池：连续向水面投入石子，每一颗石子激起的涟漪都会与之前的波纹相互叠加、干涉。最终，水面的波动状态既包含了当前输入的信息，也保留了历史的痕迹。如果在水池上方架一台相机，拍下整个水面的“涟漪图”，然后只训练一个简单的公式把这张图翻译成预测结果——这就是储层计算。

“储层”就是这个不断泛起涟漪的水池，而训练成本被压缩到了几乎只剩下最后一步。与传统深度学习相比，这相当于不用训练整个大脑，只训练最后一根神经——效率提升是惊人的。

传统储层计算使用的是人工神经网络等经典系统，而量子储层计算则进一步利用量子系统作为储层。不久前，上海不筹量子科技有限公司的创始人、复旦大学李晓鹏教授的研究团队与中国科学技术大学彭新华、李兆凯团队的合作，恰恰做了这件事。他们用核磁共振平台上的9个耦合量子自旋，构建了一个微型“量子水池”。

为什么量子系统更适合当这个“水池”？

第一，量子纠缠让内部涟漪异常丰富。经典储层计算需要成千上万个节点才能产生的复杂动态响应，9个量子自旋通过天然的多体相互作用就能实现。量子态空间的维度随粒子数指数增长，这意味着极小的物理尺寸就能容纳极大的信息处理能力。

第二，他们把“缺点”变成了“优点”。量子系统与环境耦合导致的弛豫和耗散，通常被视为噪声来源。但在这项工作中，这种“渐消记忆”——旧信息随时间自然淡化——恰好赋予了系统处理时间序列所需的短期记忆能力。太长的记忆会淹没新输入，太短则丢失历史，适度的衰减反而让系统恰好处在“混沌边缘”的最佳工作点。

第三，他们从“拍照片”升级到“高速连拍”。传统做法只读取量子系统演化后某一时刻的信号，相当于只拍一张静态照片。在该项研究中，团队充分利用了整个自由感应衰减信号，相当于截取了一段动态视频，信息提取效率大幅提升。

在国际通用的NARMA时间序列基准测试中，这个9自旋量子储层的预测误差比此前同类实验降低了1到2个数量级——精度提升了10到100倍。

更令人振奋的是真实气象数据测试。团队选取印度德里的日度气温和湿度数据进行多步预测，结果这个只有9个自旋的量子系统，其预测精度达到甚至超越了包含10000个节点的经典储层网络。在部分长步长预测设置下，量子储层的表现更优。

《物理评论快报》的审稿人评价这项工作是“量子机器学习领域的重要里程碑”——首次在实验上验证了量子机器学习在解决真实世界问题时能够超越大规模经典模型。

我们在量子储层计算已经取得了初步的极为鼓舞人心的成功，这并不意味着明天就能用量子计算机发布台风预警。目前的小规模实验证明的是原理可行， “量子优势”仍然是在特定框架、特定任务上展示的阶段性成果。但它指向了一个重要方向：量子技术的价值，未必需要等待大型通用量子计算机问世才会显现——今天的中等规模含噪量子设备，只要设计得当，已经可以在某些具体问题上发挥作用。

前面说过，台风预测本质上也是时间序列问题。一个台风预测模型可以输入过去多个时间点的信息：台风中心位置、移动速度和方向、最大风速、中心气压、周围环境变化。这些连续变化的数据经过量子储层处理后，可以形成更加丰富的动态特征，由此预测未来的移动路径和强度变化。当然，对于这样复杂的现实问题，我们将要面对的样本远不止前述研究中简单的两个参数的序列，我们不仅需要提高算法的效率，更需要更大的量子储层，以容纳丰富且必要的气象参数信息。

目前，由李晓鹏教授领军的复旦团队和上海不筹量子科技有限公司正与安徽省气象局合作，目标直指台风和强降雨等极端天气的精准预测。伴随着台风“巴威”逼近的脚步，我们的算法团队正在紧锣密鼓地开展在模拟机上进行量子储层计算对台风的预报研究；我们的硬件部门正在夜以继日地研发基于中性原子的千比特量子储层专用机，计划在更复杂的实际量子计算真机场景中进一步验证量子储层计算的规模化潜力。

千百年来，在台风这样的巨大自然灾害面前，人类弱小得如一根苇草。但这根能思考的苇草，如今已经逐步掌握了量子技术的奥秘。也许很快，在量子计算的帮助之下，我们面对台风可以不再像先辈们那样可怜无助，而是更为成竹在胸，应对有余。

在这条充满艰巨挑战而又前景无限光明的探索之路上，不筹量子将全力以赴，勇往直前。