記者從合肥高新區(qū)了解到，由國內量子計算領軍企業(yè)本源量子與中國科學院資源與環(huán)境信息系統國家重點實驗室牽頭的研究團隊攜手合作，運用HASM-HHL量子機器學習算法，實現了江西省武功山的數字地形模型(DTM)降尺度，并研究了多種計算精度下，該算法對應的量子線路的變化過程，不僅能達到經典預處理共軛梯度法的計算精度，同時算法復雜度相對于經典算法有效降低。研究成果日前發(fā)表在《科學報告》上。

如何采用理論完備的方法實現外蘊量信息(例如衛(wèi)星遙感信息)與內蘊量信息(例如地面觀測信息)的有效集成，并解決生態(tài)環(huán)境曲面建模的誤差問題、多尺度問題、非線性問題和大內存需求問題，一直以來是生態(tài)環(huán)境信息學面臨的重要挑戰(zhàn)。為解決上述問題，研究人員將生態(tài)環(huán)境要素的格網化表達抽象為數學“曲面”，并通過曲面論、系統論和優(yōu)化控制論以及現代計算機技術的有機結合，創(chuàng)建了集成外蘊量和內蘊量信息的高精度曲面建模(HASM)方法。然而，HASM仍有許多遺留問題亟待解決。

高精度曲面建模(HASM)方法可將空間生態(tài)環(huán)境要素曲面建模轉換為求解大型稀疏線性代數方程組，該大型線性系統可運用HHL量子算法進行求解，將HASM機器學習與HHL量子算法的耦合稱為HASM-HHL量子機器學習。研究團隊基于對HASM全局預測能力進行理論研究和數值實驗基礎上，選擇江西省武功山地區(qū)為案例區(qū)開展實證研究，并通過本源量子QPanda提供的分布式計算框架，進行量子算法模擬。經估算，運用HASM-HHL模擬整個地球表面時，在1公里×1公里空間分辨率，需要40量子比特;在1米×1米空間分辨率，需要45量子比特。結果表明，在充足的物理量子計算資源條件下，HASM-HHL算法具有更高的求解精度，相對于經典算法有指數級加速效果。

這一成果誕生的HASM-HHL算法不僅提供了新的算法框架，也為后續(xù)更多的復雜計算問題提供了新的思路，未來有望在模擬分析地球表層系統及其生態(tài)環(huán)境要素領域獲得更廣泛的應用。

關鍵詞： 生態(tài)環(huán)境 機器學習 空間分辨率 計算資源 遺留問題