Para evitar las pérdidas de los aviones, los ingenieros han estudiado durante mucho tiempo el flujo de aire sobre perfiles aerodinámicos, como las alas de los aviones, para detectar los ángulos cuando se produce la separación del flujo.Recientemente, un equipo de investigadores de la Universidad Jiao Tong de Shanghai, incluidos Xi-Jun Yuan y Zi-Qiao Chen, investigó el uso de la computación cuántica en relación con el aprendizaje automático como una forma más precisa de resolver este tipo de problemas.

El uso de una máquina cuántica de vectores de soporte en lugar de una máquina clásica de vectores de soporte aumentó la precisión de la clasificación defluirseparación del 81,8% al 90,9% y aumentó la precisión de la clasificación del ángulo de ataque del 67,0% al 79,0%.

Estos resultados ayudan a demostrar que el uso de métodos de computación cuántica para problemas de dinámica de fluidos podría ser más rápido y preciso que el uso de métodos de computación clásicos, especialmente porque elconjuntos de datosen tales contextos son grandes.Aplicaciones potenciales de las máquinas de vectores de soporte cuánticos además dediseño de avionesincluyen navegación submarina y seguimiento de objetivos.

Los investigadores realizaron dos tareas de clasificación.La primera fue una clasificación binaria en un pequeño conjunto de datos para detectar si se había producido o no una separación del flujo.Se eligió un conjunto de datos pequeño porque es difícil lograr una clasificación de alta precisión para conjuntos de datos pequeños.

Los datos para esta tarea se recopilaron de sensores de presión en un perfil aerodinámico en untúnel de vientocon diferentes velocidades y ángulos de ataque.El conjunto de datos consta de 45 puntos multidimensionales: 27 casos sin separación de flujo y 18 casos con separación de flujo.Este conjunto de datos se dividió en 34 puntos para entrenamiento y 11 puntos para prueba.

el papel espublicadoen el diarioComputación inteligente.

La segunda tarea fue más compleja.Clasificó el ángulo de ataque del perfil aerodinámico después de la separación del flujo en una de cuatro clases.Para lograr esto, el problema se dividió en cuatro problemas de clasificación uno contra todos, con un clasificador binario de entrada o salida para cada una de las cuatro clases.

Los datos para esta tarea se crearon mediante simulación.El conjunto de datos consta de 63 puntos multidimensionales obtenidos mediante muestreo.Este conjunto de datos se dividió en 43 puntos para entrenamiento y 20 para prueba.El proceso de entrenamiento y prueba se repitió 10 veces con diferentes combinaciones de datos de entrenamiento y prueba, y se obtuvo la precisión promedio de 10 pruebas.

El tipo particular declasificaciónEl algoritmo elegido por los investigadores es un algoritmo de aprendizaje automático supervisado basado en recocido cuántico llamado máquina de vectores de soporte.El recocido cuántico que utilizaron fue el sistema D-Wave Advantage 4.1, un dispositivo físico de computación cuántica.

Las implementaciones de recocido cuántico de máquinas de vectores de soporte han demostrado un mejor rendimiento que sus contrapartes clásicas, que son estructuralmente simples y robustas pero tienen altos costos de almacenamiento y cálculo y, por lo tanto, no se escalan fácilmente.

El recocido cuántico es un proceso de optimización que utiliza fluctuaciones cuánticas para buscar un mínimo global entre un conjunto de soluciones.Debido a que el proceso genera múltiples buenos candidatos para el mínimo global, puede lograr resultados más precisos que otros algoritmos de optimización, que tienen más probabilidades de quedarse estancados en un mínimo local.

Más información:Xi-Jun Yuan et al, Máquinas de vectores de soporte cuántico para clasificación aerodinámica,Computación inteligente(2023).DOI: 10.34133/icomputación.0057