Exoplanetary atmospheres retrieval via a quantum extreme learning machine
Marco Vetrano, Tiziano Zingales, G.Massimo Palma, Salvatore Lorenzo
系外行星大气研究传统上依赖于前向模型，通过微调大量化学和物理参数来解析计算系外行星的光谱。然而，参数空间的高维度往往导致显著的计算开销。在这项工作中，我们引入了一种利用量子极限学习机（QELMs）进行大气反演的新方法。QELMs是一种量子机器学习技术，使用量子系统作为处理输入数据的黑箱。我们提出了一个使用QELMs提取系外行星大气特征的框架，采用了一种适用于近期量子设备的固有容错策略，并通过在IBM Fez上的直接实现展示了这种容错能力。我们提出的QELM架构展示了量子计算在天体物理数据集分析中的潜力，并可能在不久的将来解锁新的计算工具，在系外行星大气研究中实现快速、高效且更准确的模型。
The study of exoplanetary atmospheres traditionally relies on forward models to analytically compute the spectrum of an exoplanet by fine-tuning numerous chemical and physical parameters. However, the high-dimensionality of parameter space often results in a significant computational overhead. In this work, we introduce a novel approach to atmospheric retrieval leveraging on quantum extreme learning machines (QELMs). QELMs are quantum machine learning techniques that employ quantum systems as a ...