Die Quantenmechanik hat in den letzten Jahren das Interesse in einer Reihe von Forschungsbereichen geweckt, so auch in der Datenverarbeitung. Dies liegt insbesondere an dem Versprechen von Quantencomputern, bestimmte Probleme schneller und effizienter zu lösen als herkömmliche klassische Algorithmen. Vor diesem Hintergrund konzentriert sich unser Team auf verschiedene Möglichkeiten zur Nutzung von Teilbereichen der Quantenmechanik, wie Quantencomputing (QC) und Quantum Machine Learning (QML), für Erdbeobachtungsaufgaben und untersucht, wie sie dazu beitragen können, die Zukunft der Verarbeitung und Klassifizierung von umfangreichen Datenmengen zu gestalten.
Grundlagenforschung - Komplexität und Simulierbarkeit von Quantenzuständen
Bislang hat es sich als schwierig erwiesen, festzustellen, ob es für ein bestimmtes Rechenproblem einen schnellen Quantenalgorithmus gibt, der die klassischen Algorithmen auf (Super-)Computern übertrifft. Viele Rechenaufgaben, selbst die Simulation von Quantensystemen, können oft durch geschickt konzipierte Monte-Carlo-Algorithmen effizient auf klassischen Computern gelöst werden. Eine genaue Beschreibung der Grenze zwischen Quanten- und klassischer Simulierbarkeit bleibt daher schwierig. Um zur Beantwortung dieser wichtigen Frage beizutragen, untersucht ein Teil unseres Teams die Komplexität von Quantenzuständen und ihre klassische Simulierbarkeit. Genauer gesagt, untersuchen wir verschiedene Begriffe von Komplexität und deren Verwendung in Beispielen wie Quantenwalks. Außerdem untersuchen wir die klassische Simulierbarkeit von Quantensystemen durch Monte-Carlo-Sampling-Techniken. Die Ergebnisse dieser Untersuchungen könnten uns helfen, die Umstände zu verstehen, in denen Quantencomputing-Ressourcen unerlässlich sind und eingesetzt werden müssen.
Die Quantifizierung der Komplexität eines bestimmten Quantenzustands ist ein grundlegendes Problem.
Hier haben wir den Begriff der Krylov-Komplexität von Quantenzuständen im Rahmen von Quantenwanderungen untersucht.
Anwendungsforschung - Quantum Machine Learning in der EO-Datenklassifizierung
Quantenschaltung für das QC-CNN-Modell (leicht verändert gegenüber der veröffentlichten Version):
1) weiß für qL-Qubits (räumliche Informationskodierung), grau für qC-Qubits (Farbinformationskodierung), grün für qK-Qubits (Kernel-Indexkodierung) und gelb für qR-Qubits (Feature-Map-Informationskodierung); 2) Punktmarkierungen in der Schaltung heben die beteiligten Qubits in den angewandten Quantengattern oder die gemessenen Qubits in den spezifischen Schichten hervor; 3) Das Modell enthält m Faltungsschichten und jede Schicht umfasst 2k Kernel; und 4) |9i⟩ und |9m⟩ sind die Ausgaben der Kodierungsschicht bzw. der Quantenfaltungsschichten
Credit:
F. Fan, Y. Shi, T. Guggemos and X. X. Zhu, "Hybrid Quantum-Classical Convolutional Neural Network Model for Image Classification," in IEEE Transactions on Neural Networks and Learning Systems, doi: 10.1109/TNNLS.2023.3312170. https://ieeexplore.ieee.org/abstract/document/10254235
Eine weitere Herausforderung in Bezug auf QC ist die Tatsache, dass die heutigen funktionstüchtigen Prototypen nur aus einer sehr begrenzten Anzahl von Quantenbits bestehen, was die Größe der Eingabedaten einschränkt. Der zweite Schwerpunkt unseres Teams liegt daher auf der Frage, ob und wie diese "kleinen" Quantencomputer zur Verbesserung der Verarbeitung und Klassifizierung von EO-Daten eingesetzt werden können. Um genau zu sein, konzentrieren wir uns auf QML-Algorithmen, die Quantencomputer mit maschinellem Lernen kombinieren, um diese Aufgabe zu bewältigen.
Insbesondere untersuchen wir zwei verschiedene Strategien:
1. Klassische Vorverarbeitung zur Ermittlung einer kleinen Anzahl von Merkmalen und anschließender Einsatz von QML zur Klassifizierung des Bildes auf der Grundlage dieser Merkmale
2. Anwendung von QML zur Vorverarbeitung des Bildes, um relevante Merkmale zu extrahieren, und Anwendung eines klassischen Convolutional Neural Networks (CNN) zur Klassifizierung. Dieser Ansatz wird als Quantum-Classical Convolutional Neural Network (QC-CNN) bezeichnet.
1. QML für Bildklassifizierung
Diese Strategie wird auf verschiedenen QML-Plattformen wie Quantum Annealer und gatterbasierten Quantencomputern untersucht. Die Effizienz dieses Ansatzes kann dann an verschiedenen Testdatensätzen getestet werden und scheint bisher in der Regel mit den klassischen Gegenstücken mitzuhalten oder sie unter bestimmten Umständen sogar zu übertreffen. Der nächste Schritt in dieser Forschungsrichtung besteht darin, den Umfang der erforderlichen klassischen Vorverarbeitung zu verringern oder sogar zu umgehen.
2. QC-CNN
Die Kombination von Feature-Extraktion mit QML und anschließender Klassifizierung mit einem klassischen CNN wurde erstmals erfolgreich für radikal reduzierte (8 x 8 Bit Pixel) graustufige EO-Bilder demonstriert. Seitdem richtet sich unser Fokus auf die Kodierung größerer multispektraler Bilder, wobei eine verbesserte "Superpixel"-Vorverarbeitung eingesetzt wird, um eine verlustreiche Herunterskalierung zu vermeiden, sowie verschiedene Techniken wie MCQI und FRQI zur gleichzeitigen Kodierung und Verarbeitung mehrerer Spektralbereiche. Seitdem konnten wir beide Verbesserungen umsetzen und ihre Vorteile im Vergleich zu sowohl klassischen als auch anderen Quantenverfahren nachweisen. Wir sind jedoch weiterhin entschlossen, neue Wege zu finden, um die Effizienz und Funktionalität unseres Modells zu erhöhen.
Landbedeckungskarten, die von den trainierten QML-Modellen mit der besten Leistung für Berlin erstellt wurden, umfassen etwa 30 × 30 km2 und die GSD jeder Karte beträgt 10 m:
(a) das von Wolken befreite Sentinel-2-Bild von Berlin; (b) MQCNN-Modell mit einer Gesamtgenauigkeit von 0,92; (c) FQCNN mit einer Gesamtgenauigkeit von 0,90; (d) CNN mit einer Gesamtgenauigkeit von 0.90; (e) QCNN mit einer Gesamtgenauigkeit von 0.91;
Credit:
F. Fan, Y. Shi and X. X. Zhu, "Urban Land Cover Classification from Sentinel-2 Images with Quantum-Classical Network," 2023 Joint Urban Remote Sensing Event (JURSE), Heraklion, Greece, 2023, pp. 1-4, doi: 10.1109/JURSE57346.2023.10144213. https://ieeexplore.ieee.org/document/10144213
Außerdem sind wir Teil eines europäischen Teams, das sich der Kombination von Hochleistungscomputern (HPC) mit Quantencomputern widmet, um QC für weitere Forschungsbereiche zugänglich zu machen. Diese Kombination von HPC und QC könnte sich für eine Reihe von Anwendungen als nützlich erweisen, z. B. für die Erkennung von Energieanomalien, das Vegetationsmanagement, die Optimierung von Verkehrswegen und die Bildklassifizierung. Obwohl unser Schwerpunkt bei diesem Projekt auf dem letztgenannten Thema liegt, glauben wir, dass wir einen wesentlichen Beitrag zur allgemeinen Idee und Umsetzung dieses zukunftsträchtigen Zusammenspiels von klassischem High-Level- und Quanten-Computing leisten können.
In Zusammenarbeit mit dem DLR_School_Lab planen wir, diese Forschung als Outreach-Plattform für Schulen und die breite Öffentlichkeit zu nutzen. Wir sind überzeugt, dass das Studium der Geowissenschaften eine große Motivation ist, um sich mit den Konzepten der Quantenmechanik und des Quantencomputings vertraut zu machen.
Beispiel für ein hybrides HPC-QC-Netzwerk.
Während der HPC hauptsächlich für Vor- und Nachbearbeitung und Rückkopplungsschleifen verwendet wird, nutzt der QC Quanteneffekte, um die Effizienz der Hauptberechnungen zu steigern.
Vereinfachtes Schema eines photonischen Chips für QML.
Der Chip besteht aus drei Hauptteilen: der Quelle zur Erzeugung der benötigten Quantenzustände, der Zustandsentwicklungsschicht, die auch zur Kodierung der Bildinformationen dient, und der Messschicht zum Auslesen der Ergebnisse.
Die letzte Komponente unserer Forschung ist die konkrete experimentelle Umsetzung von QML. In Zusammenarbeit mit der Universität Wien wollen wir QML-Algorithmen für die Verarbeitung und Klassifizierung von EO-Daten auf einem Photonenchip implementieren. Zu diesem Zweck erwägen wir Quantum Kernel Methods, Quantum Neural Networks und Quantum Reservoir Computing als vielversprechende Ansätze. Das endgültige Ziel ist es also, nicht nur verschiedene bereits existierende universelle Quanten- Hardware für EO-Aufgaben zu testen, sondern auch einen Photonenchip speziell für unsere konkreten Anwendungen zu konzipieren und herzustellen.
