量子生成智能用于冰川湖溃决洪水风险的罕见水文气候异常筛选

《Scientific Reports》：Quantum generative intelligence for rare hydroclimatic anomaly screening of glacial lake outburst flood risk

　　

摘要

冰川湖溃决洪水（GLOFs）是一种具有破坏性的冰冻圈相关灾害，其形成受水文气象驱动、冰川形态、湖泊演化与地貌不稳定性之间非线性相互作用的共同塑造。由于已记录的GLOF事件稀少、触发机制异质，且事件前的水文气象信号可能表现为时间组织中的细微变化而非简单的幅度极端值，可靠的先兆筛查仍然困难。本研究提出了一种混合量子-经典框架，用于罕见水文气象异常筛查，该框架集成了条件多变量序列生成、基于量子期望值的潜在表示、生成参考时间失配评分以及有监督罕见事件分类。水文气象动态通过带有梯度惩罚的条件Wasserstein生成对抗网络（WGAN-GP）、时间卷积序列学习以及由参数化量子电路期望值导出的潜在表示进行建模。在相同的WGAN-GP设置下，与高斯潜变量和符号潜变量基线相比，量子潜变量表述在跨特征相关性、Wasserstein距离、Kolmogorov-Smirnov统计量、自相关距离和功率谱密度距离等方面均取得了更低的误差。异常评分模块进一步将跨变量时间相关性失配和自相关偏差识别为与先兆相关的信号。由于正样本GLOF数量有限，有监督输出被解释为高召回率的异常筛查和排序指标，而非GLOF发生的确定性预测。可解释性和消融分析表明，在所评估的模型中，QLGM生成的参考时间失配特征比紧凑的水文气象和静态描述符具有更强的区分能力。这些结果表明，在所评估的WGAN-GP设置下，基于量子期望值的潜在表示可以降低水文气象序列真实性误差，并可在严重数据不平衡条件下支持GLOF风险削减的生成参考异常优先级排序。研究结果应被解释为在该设置下存在有用的结构化潜在表示的经验证据，而非量子普遍优势的证明。