摘要

本文介绍了一种创新的混合经典-量子框架TriQXNet，用于从太阳风数据预测Dst指数，并结合不确定性量化。Dst指数是衡量地磁暴强度的重要指标，对GPS、卫星通信和电力系统等关键基础设施具有潜在的重大影响。TriQXNet通过集成经典和量子计算、共形预测和可解释AI（XAI），在混合神经网络架构中实现了前所未有的集成。该模型利用NASA的ACE和NOAA的DSCOVR卫星的实时太阳风数据，通过三个并行通道处理预处理数据，显著提高了Dst指数预测的鲁棒性和准确性。TriQXNet不仅在性能上超越了13种最先进的混合深度学习模型，而且在预测中提供了可量化的不确定性，增强了模型的可解释性。

原理

TriQXNet的核心创新在于其混合经典-量子神经网络架构，该架构通过三个并行通道处理预处理的太阳风数据。每个通道设计用于处理数据的不同方面，从而实现全面且深入的特征提取。具体来说，第一个通道采用经典的修改版Conv1DTimeDistributedNet，第二个通道是经典的修改版CNN+BiLSTM+TimeDistributedDense，第三个通道则是“装扮”量子电路。这种设计不仅利用了量子计算在处理复杂模式和依赖性方面的优势，还通过共形预测技术提供了预测的不确定性量化，以及通过XAI方法如ShapTime和排列特征重要性增强了模型的可解释性。

流程

TriQXNet的工作流程始于数据预处理，包括特征选择、归一化、聚合和插补，确保高质量的输入数据。随后，数据通过三个并行通道进行处理：第一个通道是经典的修改版Conv1DTimeDistributedNet，第二个通道是经典的修改版CNN+BiLSTM+TimeDistributedDense，第三个通道是“装扮”量子电路。每个通道的输出被整合，用于最终的Dst指数预测。模型不仅预测当前小时（t0）的Dst指数，还预测接下来一小时（t+1）的Dst指数，为减轻地磁暴的负面影响提供了宝贵的前瞻时间。

应用

TriQXNet的应用前景广阔，特别是在需要高精度实时预测地磁暴的领域，如卫星操作、电力网络管理和航空导航。通过提供准确且可解释的预测，TriQXNet有助于提前采取预防措施，减少技术系统的损害和停机时间。此外，该模型为未来在更复杂的环境中部署量子机器学习技术奠定了基础，展示了量子计算在解决实际问题中的潜力。