Исследователи IonQ применили квантовую генеративную модель машинного обучения для помощи в обнаружении изменений в крайне сложных данных спутниковых изображений. Результаты, подробно описанные в недавно опубликованной статье, показывают, что использование квантового анализа перспективно для обнаружения и прогнозирования изменений на изображениях, где данных слишком мало для эффективной работы классических методов.
Это исследование, части которого были выполнены на квантовом процессоре (QPU) IonQ с использованием захваченных ионов, является примером того, как IonQ тесно сотрудничает с данными дистанционного зондирования Земли, чтобы изучить, как квантовые технологии могут быть использованы для решения реальных бизнес-задач и рабочих процессов.
Эта работа появилась в важный момент, поскольку объем спутниковых данных всех типов, включая данные радаров с синтезированной апертурой (SAR) и традиционные электрооптические данные, быстро растет. Правительства и отрасли по всему миру проявляют большой интерес к использованию этих данных, так как извлекаемая из них информация может способствовать реализации множества критически важных задач. Выводы этой работы представляют собой раннюю веху в способности квантовых вычислений предоставлять аналитические данные на основе спутниковой информации.
Поток космических данных
Космический сектор совершил рывок, а вместе с ним и объем необработанных космических данных — петабайты изображений ежедневно, — генерируемых в результате быстро растущего спроса на спутники дистанционного зондирования Земли (ДЗЗ).
На орбите находится более 18 000 активных спутников, и более 3 100 из них были запущены только в этом году, согласно независимому веб-сайту Orbital Radar. Вероятно, тысячи активных спутников используются для задач ДЗЗ. Эти цифры будут только расти, поскольку все больше частных и государственных космических организаций запускают новые спутники для удовлетворения потребностей государственных, военных и промышленных клиентов в области ДЗЗ.
Растущий объем спутниковых данных создает огромный потенциал для получения новых знаний для организаций, но больше данных не автоматически означает больше информации. Превращение необработанных изображений в полезные сведения требует все более сложной обработки и анализа. Это особенно верно для SAR — технологии дистанционного зондирования на основе радара, которая использует микроволновые сигналы для регистрации обратного рассеяния с целью создания детального изображения. В отличие от традиционных спутниковых снимков, которые зависят от доступного освещения и могут быть скрыты облаками, SAR может собирать изображения днем и ночью, практически при любых погодных условиях. Это значительно расширяет возможности наблюдения, но также означает, что данные SAR сложнее интерпретировать, что создает новые препятствия для быстрого и масштабного извлечения значимой и надежной информации.
Еще большую сложность в задачу анализа добавляет интерферометрический SAR (InSAR). Это метод, который использует разность фаз между несколькими изображениями SAR для измерения таких параметров, как деформация поверхности и изменение высоты с точностью до миллиметра.
Выявление значимых изменений в постоянно растущих и сложных наборах данных SAR и InSAR требует существенной обработки, фильтрации и вычислений. Это создает интересную возможность изучить, как квантовые вычисления могут улучшить части этого аналитического процесса.
Связь космоса и вычислений: стратегия портфеля IonQ
Среди квантовых компаний IonQ занимает уникальное положение для решения задач такого типа, являясь вертикально интегрированной компанией с бизнес-подразделениями и технологическими платформами, сосредоточенными на квантовых вычислениях, квантовых сенсорах, квантовых сетях, квантовой безопасности и квантовом производстве.
Между этими платформами также существует значительное взаимодействие, что позволяет бизнес-подразделениям IonQ объединять возможности и разрабатывать интегрированные решения, охватывающие аппаратное обеспечение, алгоритмические инструменты и предметно-ориентированные приложения. Среди этих подразделений — Capella Space, которая была приобретена IonQ в 2025 году и управляет группировкой спутников, собирающих данные SAR. Помимо дистанционного зондирования Земли, вертикально интегрированные возможности Capella по проектированию и производству космических аппаратов также обеспечивают важную основу для будущих космических квантовых решений IonQ.
Дистанционное зондирование Земли является все более важной частью космической стратегии IonQ, где спутниковые снимки поддерживают приложения, начиная от обороны и разведки до реагирования на стихийные бедствия и мониторинга инфраструктуры. По мере роста объема и сложности этих изображений растет и проблема извлечения из них значимых и надежных данных. Эти все более сложные аналитические задачи открывают для IonQ возможность изучить, где квантовые вычисления могут предложить новые преимущества наряду с существующими классическими методами.
Это также делает обсуждение данного исследования своевременным в контексте Quantum World Congress, поскольку оно иллюстрирует основную направленность мероприятия на то, как квантовые технологии выходят из лабораторий в реальный мир.
Эксперимент: тестирование квантовой генеративной модели на реальных данных SAR
Исследователи IonQ стремились выяснить, могут ли квантовые методы усилить способность аналитического слоя данных SAR извлекать такие сведения. При этом они столкнулись с проблемой отделения фонового шума окружающей среды от изменений, представляющих высокую ценность. Во всех изображениях, использованных в этом эксперименте, основной задачей было оценить, как выглядело бы второе изображение из двух, полученных в разное время, если бы сцена не изменилась, и отметить пиксели, которые отличаются от него.
Квантовым инструментом, который исследователи решили оценить в этой задаче, стала Quantum Circuit Born Machine (QCBM) — квантовая генеративная модель машинного обучения, использующая параметризованные квантовые схемы для представления классических распределений вероятностей.
Использованные наборы данных представляли собой реальные пары изображений SAR и InSAR высокого разрешения, полученные в разное время спутниками Capella Space — пара амплитудных изображений X-диапазона Stripmap с разрешением 1,2 м, снятых над авиабазой морской пехоты Мирамар в Сан-Диего, и пара интерферометрических карт когерентности, охватывающих извержение вулкана Питон-де-ла-Фурнез на острове Реюньон в Индийском океане в 2026 году.
Исследователи сравнили производительность QCBM на сложных распределениях сигналов с классическим базовым уровнем, называемым нелинейным оценщиком фона (NLBE). Они заменили эмпирическое условное математическое ожидание, лежащее в основе оценщика фона, на значение, полученное из QCBM, обученной на совместном распределении интенсивностей изображений до и после в пространстве копул, а затем протестировали его против классических оценщиков. Тесты проводились с использованием трех методов: классических моделей, квантовых моделей на идеальном симуляторе и квантовых моделей, запущенных на квантовом процессоре IonQ с захваченными ионами. Всем измерениям был присвоен отфильтрованный показатель F1, распространенная метрика машинного обучения.
Результаты: как квантовые вычисления работают по сравнению с классическими базовыми показателями
Исследователи обнаружили, что во всех наборах данных модель QCBM достигала более высоких оценок F1 по сравнению с классическим базовым методом на парах изображений, характеризующихся негуассовыми распределениями интенсивности, то есть на тех, с которыми работать труднее всего, поскольку они содержат сильно смещенные распределения пикселей. Напротив, для наборов данных с приблизительно гауссовыми распределениями интенсивности, которые находятся в пределах досягаемости классического анализа, результаты показывают, что QCBM и классические оценщики продемонстрировали сопоставимую производительность обнаружения изменений.
Степень улучшения значительно варьировалась от эксперимента к эксперименту, и характер этой вариации предполагает, что квантовый метод демонстрирует потенциальную выгоду при конфигурациях предварительной обработки изображений с сильно смещенными распределениями пикселей. На наборе данных InSAR вулкана модели QCBM и классические методы достигли схожих пиковых отфильтрованных значений F1, в то время как пороговая реакция QCBM продемонстрировала надежность в широком диапазоне рабочих условий.
С точки зрения рабочего процесса это означает, что квантовые методы превзошли классические и принесли пользу всему рабочему процессу в ситуациях, когда данные изображений были разреженными. Даже в условиях, когда разреженность данных не была проблемой, квантовая модель соответствовала производительности классических подходов, что само по себе является значительным открытием. Эти результаты подтверждают, что QCBM является конкурентоспособной генеративной моделью для обнаружения изменений на изображениях как при выводе на основе симулятора, так и на QPU.
Стратегический вывод: освоение новых рубежей
Результаты этого эксперимента представляют собой обнадеживающий ранний этап в оценке эффективности квантовых технологий в рамках рабочего процесса анализа Земли. Главный итог заключается в том, что в одних условиях она работала лучше классических базовых методов, а в других — на равных с ними конкурировала.
Результаты этого исследования также вносят вклад в разработку концепции интеграции гибридных квантово-классических конвейеров в космический сектор. По мере того как мы продолжаем доказывать способность квантовых алгоритмов и моделей работать лучше или наравне с классическими инструментами, гибридные подходы будут все чаще внедряться в различные аспекты этой отрасти.
Космос — не последний рубеж для квантовых технологий, но он является одним из многих направлений, которые IonQ продолжает исследовать и наносить на карту, и одним из тех, где квантовые технологии могут найти применение в ближайшей перспективе. Мы показали, что квантовые технологии можно эффективно оценивать применительно к реальным задачам SAR и получать многообещающие результаты по сравнению с классическими методами, используя три разных подхода. Следующим шагом для IonQ в данном случае является продолжение тестирования того, где каждый подход работает лучше всего, и определение того, где квантовые технологии могут принести пользу в рамках реальных аналитических рабочих процессов.
Примечание для инвесторов в отношении заявлений прогнозного характера
Эта статья содержит заявления прогнозного характера. Все заявления, содержащиеся в этой статье, за исключением заявлений об исторических фактах, являются заявлениями прогнозного характера, включая заявления относительно конкурентного преимущества IonQ. В некоторых случаях такие заявления можно распознать по словам прогнозного характера, таким как «может», «способно», «будет», «следующий», «новый», «будущий», «краткосрочный», «позиционируемый», «исследовать», «картировать», «предполагать», «обещать» и другим аналогичным выражениям. Эти заявления являются лишь прогнозами, основанными на наших ожиданиях и прогнозах относительно будущих событий на дату публикации этой статьи, и подвержены ряду рисков, неопределенностей и предположений, которые могут оказаться неверными. Любой из этих факторов может привести к тому, что фактические результаты будут существенно отличаться от тех, которые выражены или подразумеваются в таких заявлениях, включая, помимо прочего, те, которые описаны в разделе «Факторы риска» в нашем Годовом отчете по форме 10-K за год, закончившийся 31 декабря 2025 года, и в нашем Квартальном отчете по форме 10-Q за квартал, закончившийся 30 июня 2026 года, поданных в Комиссию по ценным бумагам и биржам. Время от времени возникают новые риски, и наше руководство не может предсказать все риски, равно как и оценить влияние всех факторов на наш бизнес или степень, в которой какой-либо фактор или комбинация факторов могут привести к тому, что фактические результаты будут существенно отличаться от тех, которые содержатся в любых сделанных нами заявлениях прогнозного характера. Инвесторов предупреждают о недопустимости излишнего доверия к таким заявлениям прогнозного характера, которые актуальны только на дату их составления. За исключением случаев, предусмотренных законом, мы не берем на себя обязательств по обновлению каких-либо заявлений прогнозного характера в результате появления новой информации, будущих событий или по иным причинам.
.jpg)
