科技前沿

近期科研成果扫描

近期科研成果扫描

清华大学核研院张希良研究组发表关于中国碳市场基础制度建设的最新研究成果

1月28日,《自然》子刊《自然·气候变化》(Nature Climate Change)在线发表了清华大学核研院能源管理与气候政策团队同麻省理工学院、武汉大学、湖北经济学院的合作研究成果“中国早期碳市场企业排放报告一致性”(Integrity of firms’ emissions reporting in China’s early carbon markets)。

建设碳排放权交易市场,简称“碳市场”,是我国对全球应对气候变化的庄严承诺。碳市场是以市场机制推动节能减碳的重要政策工具,也是我国生态文明制度建设的重要内容。核研院张希良领导的能源管理与气候政策团队承担了北京市试点碳市场和全国碳市场关键制度的研究设计任务,为北京市试点碳市场和全国碳市场建设作出了突出贡献,得到北京市和国家发改委高度评价。该研究以在北京和湖北开展的两个碳市场试点为对象,比较分析了参与碳市场的单位自报数据与经过第三方核查机构核查证实的CO2排放数据,就支撑碳市场运行的企业CO2排放报告与核查机制进行了深入探讨。研究发现,单位自报数据和核查数据之间的差距在碳市场政策实施几年后有显著的下降。例如,对于北京碳市场初期纳入的400余家单位,这一差距从2012年的平均17%下降到2014年和2015年的平均4%。研究还发现,从2012年到2015年,北京碳市场中每家单位自行编制的排放报告中的错误数量从平均3.7条降至平均1.9条,且因疏忽大意和对碳市场规则理解有误而产生的误报情况大幅减少。

近期科研成果扫描

研究讨论的北京和湖北碳市场信息概要

近期科研成果扫描

2012-2015年北京和湖北碳市场中单位自报数据与核查数据差异变化情况

该研究还利用计量经济学模型进行了多项检验,检查了是否有任何证据表明在数据报告和核查过程中存在单位故意误报或与核查机构共谋的情况。研究并未发现这类证据。因此,研究认为,数据报告与核查机制的有效运行确使各单位的碳核算和报告能力有所提高。最后,研究就在中国和其他发展中国家建立起有效的企业层面MRV机制提出了政策建议,强调了防止核查机构利益冲突、对于核查机构进行抽查以及对于历史排放数据的核查予以资金支持的重要性,提高核算的准确性并防止造假或共谋情况发生。

近期科研成果扫描

北京碳市场中22家第三方核查机构的固定效应估计结果及2012-2015年各机构所核查单位的数目变化情况

清华大学核研院张希良教授和麻省理工学院柯蔚蓝(Valerie Karplus)教授为该论文的共同通讯作者,核研院助理教授张达(原麻省理工学院全球变化科学与政策研究联合项目研究员)为该论文的第一作者,核研院博士生张钦为该论文的第二作者。此外,武汉大学齐绍洲教授及其同事黄锦鹏博士也为该研究工作做出了重要贡献。该研究得到了国家自然科学基金委、科技部重点研究计划、美国能源信息署和麻省理工学院全球变化科学与政策研究联合项目的资金支持。

清华大学与麻省理工学院建立的“中国能源与气候变化”合作研究项目于2011年正式启动。该项目构建了较为完整的中国能源经济模型系统,并利用该模型系统对中国低碳能源经济转型的路径和政策进行了模拟评估,为我国能源与应对气候变化的战略政策制定提供了科学支撑。该合作研究项目的另一项研究成果“高比例煤电电网的风电并网潜力模型模拟”曾发表在2016年《自然》子刊《自然·能源》(Nature Energy)上。2015年,邱勇校长出席中美大学校长论坛并作主题演讲时,曾把这一项目作为我校同美国大学合作的典型案例加以介绍。

论文链接:

https://doi.org/10.1038/s41558-018-0394-4

清华量子信息中心孙麓岩、邓东灵研究组

合作在超导系统中实现量子人工智能算法

近日,清华大学交叉信息研究院孙麓岩、邓东灵研究组与中国科学技术大学邹长铃研究组合作,在超导系统中首次实验实现了量子生成对抗学习,展示了量子器件应用于人工智能领域中的可行性及巨大潜力。该成果论文《Quantum generative adversarial learning in a superconducting quantum circuit》(《超导量子电路中的量子生成对抗学习》)近日发表于科学子刊Science Advances(《科学 进展》)上。

人工智能的核心是机器学习, 而生成式对抗网络(GAN, Generative adversarial Networks)是近年来机器学习领域最具前景的方法之一。一般说来,机器学习的模型大体可以分成两类:生成模型(Generative model) 和判别模型(Discriminative model)。举个简单的例子,给定一张图片,判断这张图片里的动物是猫还是狗,这是判别模型;给定一系列狗的图片,要求生成一张新的,不在已有数据集里的狗的图片,这是生成模型。

近期科研成果扫描

量子生成对抗网络示意图

GAN是一类非常重要的生成模型,由Goodfellow等人于2014年提出。GAN在很多方面特别是生成图像、视频等有极为重要的应用。GAN的原理比较简单,可以通过生成图片为例来理解:GAN通常包含两个部分,生成器和判别器。判别器是一个判别图片的网络,它随机接收一张图片,此图片可能来自于训练的数据集(称为真实的)也可能是生成器产生的(称为假的),它的目标是以最大概率区分图片到底是真的还是假的。生成器是一个生成图片的网络,它的目标是生成尽可能逼真的图片来迷惑判别器。这样,生成器和判别器构成了一个动态的“博弈过程”,博弈的最终结果是生成器可以生成足以“以假乱真”的图片,判别器难以判断生成的图片是不是真实的。

量子生成对抗网络(QGAN, quantum generative adversarial network) 基本原理与经典的GAN是一样的,区别在于这里生成器和判别器是由量子器件或者量子网络构成,训练用的数据集也可以是量子数据(如量子态等)。孙麓岩课题组与合作者在超导系统中首次实现了GAN,展示了从量子数据集中学习有用模式的可行性。在此实验中,生成器由一个能以一定概率分布产生量子态系综的超导量子线路组成,判别器是一个可以做投影测量的量子器件,训练用的真实数据集由一个量子通道模拟器产生。

近期科研成果扫描

量子生成对抗网络实验方案图

浏览过本文章的用户还浏览过