Analyzing Hyperspectral EO-Images with Quantum Computers

Kurzfassung

Mit den Fortschritten des maschinellen Lernens hat die Analyse von Erdbeobachtungsdaten in den letzten Jahren an Popularität gewonnen. Vor allem bei der besonders schwierigen Aufgabe der Klassifzierung von Hyperspektralbildern wurden deutliche Verbesserungen erzielt. Ein Hyperspektralbild ist ein dreidimensionaler Datenwürfel, bei dem zwei Dimensionen räumliche Informationen und eine Dimension spektrale Informationen in Form von elektromagnetischen Wellenlängen enthalten. Seine hohe Informationsdichte ermöglicht im Vergleich zu RGB-Bildern eine viel detailliertere Analyse der erfassten Daten. Durch Klassifzierung ordnen wir die Pixel von Hyperspektralbildern einer Reihe von Klassen zu und können so Materialien oder Objekte von Interesse identifzieren. In dieser Arbeit untersuchen wir die Anwendung einer neuartigen Form des maschinellen Lernens, des Quanten-Maschinenlernens, auf den Hyperspektralbilddatensatz der Universität Pavia. Quantum Machine Learning nutzt Quantenalgorithmen, um entweder bestehende Subroutinen des maschinellen Lernens zu beschleunigen oder um Methoden zu entwickeln, die eine höhere Kapazität und Ausdrucksfähigkeit haben als klassische maschinelle Lernmethoden. Wir erforschen verschiedene Formen klassischer Bilddarstellungen auf einem Quantencomputer und entwickeln drei Quantenalgorithmen für maschinelles Lernen, um eine pixelweise Klassifzierung hyperspektraler Bilder durchzuführen. Zwei der drei Methoden verwenden Quantenkernel, um eine Quantenversion der Support-Vektor-Maschine zu implementieren, und die dritte ist ein neuronales Quantennetzwerk. Wir implementieren diese Methoden mit Hilfe des PennyLane-Frameworks und zeigen, dass sie mit ähnlicher Genauigkeit klassifzieren wie eine klassische Support-Vektor-Maschine als Benchmark-Methode. Da wir Quantensimulatoren verwenden, haben die Ergebnisse keine unmittelbaren Auswirkungen auf die Leistung der Modelle, sondern zeigen vielmehr, dass sie funktionieren.