Квантовый компьютер увидел Землю так, как не смогли обычные алгоритмы
IonQ проверила квантовую модель на настоящих спутниковых снимках и в одном из самых сложных тестов получила результат лучше двух обычных алгоритмов. Система искала изменения на поверхности Земли по радиолокационным изображениям высокого разрешения, причём часть вычислений исследователи выполнили уже на реальном квантовом процессоре, а не только в симуляторе.
Для эксперимента взяли снимки, полученные радиолокатором с синтезированной апертурой. Спутник посылает радиосигнал к поверхности и записывает отражение, поэтому облака и темнота практически не мешают съёмке. Если сравнить изображения одной территории, сделанные в разное время, можно заметить последствия стихийных бедствий, строительство, перемещение грунта и другие изменения.
Но чем выше разрешение таких снимков, тем сложнее их автоматически сравнивать. Радиолокационный сигнал создаёт множество перепадов яркости, которые сами по себе ещё не означают, что на местности что-то произошло. Алгоритму приходится отделять реальные перемены от обычных колебаний сигнала, а данных для уверенного решения иногда оказывается слишком мало.
Обычно изображения предварительно сглаживают, чтобы убрать часть помех и облегчить анализ. Вместе с шумом при такой обработке могут исчезнуть мелкие детали. Исследователи решили проверить другой подход и поручили квантовой модели изучить, как распределяются значения пикселей на двух снимках, а затем создать дополнительные данные с похожими свойствами.
В основе метода лежит квантовая машина Борна, генеративная модель, которая учится воспроизводить распределение исходных данных. Полученные искусственные выборки помогают алгоритму понять, какие различия между снимками укладываются в обычные колебания сигнала, а какие больше похожи на реальные изменения поверхности.
Самая заметная разница появилась на снимках территории Сан-Диего с разрешением 1,2 м. На необработанных изображениях квантовая модель в симуляторе получила F1-меру 0,30. Два классических метода показали 0,14 и 0,20. После сглаживания снимков результаты выросли до 0,41, 0,16 и 0,24 соответственно.
Исследователи также перенесли вычисления на настоящий квантовый процессор IonQ с захваченными ионами. Лучший результат составил 0,32 против 0,16 и 0,24 у двух классических методов. Реальная машина уступила идеальному симулятору, но всё равно сохранила преимущество в этом тесте.
При этом говорить о превосходстве квантовых компьютеров в анализе спутниковых снимков пока рано. Когда исследователи заранее преобразовали данные так, чтобы обычным статистическим алгоритмам было проще с ними работать, разница почти пропала. В одном из тестов методы получили F1-меру 0,56, 0,55 и 0,56.
Похожая картина получилась и на снимках извержения вулкана Питон-де-ла-Фурнез на острове Реюньон. Максимальный показатель квантового и классических методов оказался примерно одинаковым и достиг 0,66. Квантовый вариант отличался тем, что сохранял близкое качество при более широком выборе настроек алгоритма.
Авторы связывают наиболее интересный результат со сложными данными, которые плохо поддаются обычным статистическим моделям. Квантовая генеративная модель может оказаться полезной именно там, где наблюдений мало, значения распределены неравномерно, а предварительное сглаживание способно уничтожить нужные детали.
Исследование пока опубликовано как препринт, а эксперименты охватывают только два типа спутниковых данных. Кроме того, квантовую модель сравнивали с двумя конкретными классическими методами, а не со всеми современными алгоритмами машинного обучения. Поэтому работа показывает перспективный сценарий применения квантового процессора, но не доказывает его общее преимущество перед обычными компьютерами.