Quantum Machine Learning for Non-Destructive Testing Data: An Industrial Use Case

Kurzfassung

Diese Arbeit untersucht die Machbarkeit und prinzipielle Anwendbarkeit von Quantum Neural Networks (QNNs)s für die Defekterkennung in Pipeline-Systemen. Ziel war die Entwicklung und Evaluation von drei Modellansätzen: Direct Inversion Models (DIMs) zur direkten Rekonstruktion von Tiefenprofilen, Deepest Point Models (DPMs) zur Bestimmung des tiefsten Punktes eines Defekts sowie Autoencoder-Modellen (Naive Autoencoder Model (NAEM) und Two-Sided Autoencoder Model (TAEM)) zur Dimensionalitätsreduktion und Merkmalsextraktion. Im Mittelpunkt steht die Analyse der Modellgüte, der Einfluss von Dekohärenzeffekten sowie die Relevanz der gewählten Encodierungsmethoden. Die Ergebnisse zeigen, dass DIMs auf Basis des Quantum Approximate Optimization Algorithm (QAOA)-Ansatzes moderate Modellgüten von Structural Similarity Index (SSIM) = 0.48 erreicht werden, jedoch durch begrenzte Generalisierungsfähigkeit eingeschränkt sind. Dekohärenzanalysen verdeutlichen die Robustheit gegenüber Phasendämpfung (T2), während Amplitudendämpfung (T1) die Vorhersagegüte erheblich beeinflussen kann. DPMs liefern vergleichsweise einfache Lösungen, jedoch mit einer reduzierten Modellgüte (R2 = 0.44) gegenüber klassischen Ansätzen (R2 = 0.89). Autoencoder Modelle zeigen grundlegende Schwächen bei der Rekonstruktion von Magnetic Flux Leakage (MFL)-Signalen, wobei das TAEM durch bidirektionales Training zwar theoretische Vorteile bietet, jedoch starke Schwankungen in der Modellgüte aufweist. Die Arbeit hebt die Bedeutung von Encodierungsmethoden hervor, da durch Superposition Daten verdichtet werden und spezifische Ansätze erforderlich sind, um diese unabhängig zu manipulieren. Eine klare Definition von Ähnlichkeitskriterien zwischen Tiefenprofilen wird als notwendig erachtet, um Vergleichswerte für zukünftige Arbeiten zu etablieren. Diese Ergebnisse verdeutlichen die Herausforderungen des Einsatzes von QNNs im industriellen Kontext und liefern wertvolle Erkenntnisse für die Optimierung von Modellen zur Defekterkennung. Die Arbeit bietet somit eine Grundlage für weiterführende Forschungsprojekte, die sich mit der Integration von Quantencomputing in praxisrelevante Anwendungen befassen.