Quantum machine learning for large-scale classical datasets with applications in earth observation

Abstract

Man benutzt große Datensätze, um die Oberfläche der Erde zu überwachen oder für Erdbeobachtungsaufgaben wie Veränderungen der Bodenbedeckung. Diese Datensätze erlauben es, künstliche Intelligenz einschließlich maschinellem Lernen und Deep Learning einzusetzen, um Veränderungen auf der Erdoberfläche zu entdecken. Im Vergleich zu konventionellen Rechenverfahren hilft künstliche Intelligenz, bessere optimale Lösungen für Erdbeobachtungsaufgaben mit großen Datensätzen zu finden. Entscheidungsträger und politische Entscheider nutzen diese Lösungen bereits ausführlich, um schnelle sicherheitskritische sowie menschenzentrierte Entscheidungen zu treffen. Dabei verspricht maschinelles Lernen mit Quantencomputern, basierend auf Quantenalgorithmen, einige Aufgaben schneller zu lösen als es datengesteuerte konventionelle Alternativen erlauben. Wir versuchen hier, verschiedene Referenzdatensätze von Satellitendaten zu nutzen, um Vorgehensweisen für maschinelles Lernen auf Quantencomputern mithilfe von traditionellen Modellen der künstlichen Intelligenz zu entwickeln und zu bewerten. Hier gibt es drei Hauptaufgaben bei der Verarbeitung von maschinellem Lernen auf Quantencomputern mit Referenzdatensätzen von Satelliten: 1. Welche Aufgaben des maschinellen Lernens für große Datensätze von Satelliten und welche datengesteuerten Aufgaben von Satelliten kann man effizient und tatsächlich auf einem Quantencomputer berechnen? 2. Wie kann man hochdimensionale Datenpunkte von Satelliten in Eingabe-Quantenzustände einbetten? sowie 3. Wie kann man sowohl Supercomputer als auch Quantencomputer gemeinsam profitabel ausnutzen? Um eine wissenschaftlich fundierte Antwort auf diese drei Fragen zu erhalten, untersuchen und identifizieren wir sowohl Aufgaben des maschinellen Lernens als auch datengesteuerte Aufgaben von Satelliten, die auf einen Quantencomputer verteilt werden können und sonst von sich aus unlösbar wären. Danach schlagen wir unsere Encoding-Strategie für klassische Aufgabenstellungen mit großen Datensätzen von Satelliten für einen Quantencomputer vor, nämlich ein zweistufiges Encoding. Darüber hinaus entwerfen und untersuchen wir Quanten-Lernansätze für einen Quantenannealer und einen störanfälligen mittelgroßen Quantencomputer für Aufgaben mit überwachtem Lernen. Für Aufgaben mit überwachtem Lernen ist die Leistung unserer Quantenansätze für maschinelles Lernen bereits konkurrenzfähig (und für einige Fälle sogar besser) als klassische Vergleichsansätze. Zusätzlich schätzen wir die benötigten Quantenressourcen, die nötig sind, um besser zu sein als ein Supercomputer und um von einem kombinierten Supercomputer mit Quantencomputer zu profitieren. Dies gibt uns Einblicke in zukünftige fehlertolerante Quantencomputer, um praktische Berechnungsaufgaben anzugehen.