記者從合肥高新區了解到，由國內量子計算領軍企業本源量子與中國科學院資源與環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，并解決生態環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，一直以來是生態環境信息學面臨的重要挑戰。為解決上述問題，研究人員將生態環境要素的格網化表達抽象為數學“曲面”，并通過曲面論、系統論和優化控制論以及現代計算機技術的有機結合，創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)方法可將空間生態環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為案例區開展實證研究，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環境要素領域獲得更廣泛的應用。

關鍵詞： 生態環境 機器學習 空間分辨率 計算資源 遺留問題