Исследователи IonQ применили квантовую генеративную модель машинного обучения, чтобы помочь в обнаружении изменений в крайне сложных данных спутниковых снимков. 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 на ионах в ловушке, 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 радары с синтезированной апертурой (SAR) и традиционные электрооптические системы, быстро растет. Правительства и отрасли по всему миру проявляют большой интерес к использованию этих данных, так как полученные из них сведения могут обеспечить работу множества критически важных приложений. Выводы этой работы представляют собой раннюю веху в способности квантовых вычислений предоставлять аналитическую информацию на основе спутниковых данных.
Поток космических данных
Космический сектор совершил рывок, а вместе с ним и объем необработанных космических данных — петабайты изображений ежедневно, — генерируемых из-за быстро растущего спроса на спутники дистанционного зондирования Земли (ДЗЗ).
На орбите находится более 18 000 спутников с активной полезной нагрузкой, и более 3 100 из них были запущены только в этом году, согласно независимому веб-сайту Orbital Radar. Вероятно, тысячи спутников с активной полезной нагрузкой используются для приложений 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 ДЗЗ.
Растущий объем спутниковых данных создает огромный потенциал для получения новых сведений для приложений этих организаций, но больше данных не автоматически означает больше аналитики. Превращение необработанных изображений в полезную информацию требует все более сложной обработки и анализа. Это особенно верно для SAR, технологии дистанционного зондирования на основе радаров, которая использует микроволновые сигналы для записи обратного рассеяния для создания детального изображения. В отличие от традиционных спутниковых снимков, которые зависят от доступного света и могут быть скрыты облаками, SAR может собирать изображения днем и ночью, практически в 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 для задачи 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 рабочего процесса анализа.
Связь космоса и вычислений: портфельная стратегия IonQ
Среди квантовых компаний IonQ занимает уникальное положение для решения задач такого типа, являясь вертикально интегрированной компанией с бизнес-подразделениями и технологическими платформами, сфокусированными на квантовых вычислениях, квантовых сенсорах, квантовых сетях, квантовой безопасности и квантовом производстве.
Между этими платформами также существует большое количество взаимного обмена, что позволяет бизнес-подразделениям IonQ объединять возможности и разрабатывать интегрированные решения, охватывающие оборудование, алгоритмические инструменты и специализированные приложения. Среди этих подразделений — Capella Space, которая была приобретена IonQ в 2025 году и управляет группировкой спутников, собирающих данные SAR. Помимо дистанционного зондирования Земли, возможности Capella по вертикально интегрированному 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 сведений. 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 изучить, могут ли квантовые методы усилить способность аналитического уровня данных SAR извлекать такие сведения. При этом они столкнулись с проблемой отделения фонового шума окружающей среды от изменений высокоценных целей. 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 пометить пиксели, которые отличаются от него.
Квантовым инструментом, который исследователи решили оценить в этой задаче, стала квантовая схема Born Machine (QCBM) — квантовая генеративная модель машинного обучения, использующая параметризованные квантовые схемы для представления классических распределений вероятностей.
Использованные наборы данных представляли собой пары реальных SAR и InSAR изображений высокого разрешения, полученных в разное время спутниками Capella Space — пара амплитуд X-диапазона Stripmap с разрешением 1,2 м, снятая над авиабазой морской пехоты Мирамар в Сан-Диего, и пара карт интерферометрической когерентности, охватывающая 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 фоновым оценщиком (NLBE). Они заменили эмпирическое условное математическое ожидание, лежащее в основе фонового оценщика, на значение, полученное из QCBM, обученного 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 на ионах в ловушке. Всем измерениям был присвоен отфильтрованный показатель F1, распространенная метрика машинного обучения.
Результаты: как квантовые вычисления работают по сравнению с классическими базовыми уровнями
Исследователи обнаружили, что во всех наборах данных QCBM достигал более высоких показателей F1, чем классический базовый метод, при работе с парами изображений, характеризующимися негауссовыми распределениями интенсивности — теми, с которыми было сложнее всего работать из-за сильно скошенных распределений пикселей. Напротив, для наборов данных с приблизительно гауссовым распределением интенсивности, которые доступны для классического анализа, результаты показывают, что QCBM и классические оценщики достигли сопоставимой эффективности обнаружения изменений.
Степень улучшения значительно варьировалась между экспериментами, и характер этой вариации предполагает, что квантовый метод демонстрирует потенциальное преимущество при предварительной обработке конфигураций изображений с сильно скошенными распределениями пикселей. В наборе данных InSAR с вулкана QCBM и классические методы достигли схожих пиковых отфильтрованных показателей F1, в то время как реакция порога QCBM продемонстрировала устойчивость в широком рабочем диапазоне.
С точки зрения рабочего процесса это означает, что квантовые методы превзошли классические и принесли пользу общему 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 значимым выводом. Эти результаты подтверждают, что QCBM является конкурентоспособной генеративной моделью для обнаружения изменений на изображениях как в средах на основе симуляторов, так и в средах логического вывода QPU.
Стратегический вывод: освоение новых рубежей
Результаты этого эксперимента представляют собой обнадеживающую раннюю веху в оценке того, как квантовая технология может работать в рамках рабочего процесса анализа данных наблюдения Земли, при этом основной вывод заключается в том, что она показала лучшие результаты, чем классические базовые методы, в одних условиях и была конкурентоспособной наравне с ними в других.
Результаты этого исследования также вносят вклад в план, который мы продолжаем разрабатывать для внедрения гибридных квантово-классических конвейеров в космический сектор. Поскольку мы продолжаем доказывать способность квантовых алгоритмов и моделей работать лучше или наравне с классическими инструментами, гибридные подходы с большей вероятностью будут внедряться в большем количестве аспектов этого сектора.
Космос — не последний рубеж для квантовых технологий, но это один из многих рубежей, которые IonQ продолжает исследовать и наносить на карту, и один из нескольких, где квантовые технологии могут найти применение в ближайшем будущем. Мы показали, что квантовые технологии могут быть значимо оценены на реальной задаче SAR и дать многообещающие результаты по сравнению с классическими методами с использованием трех различных подходов. Следующим шагом для IonQ в этом случае является продолжение тестирования того, где каждый подход работает лучше всего, и определение того, где квантовые технологии могут добавить ценность в реальные аналитические рабочие процессы.
Примечание для инвесторов относительно прогнозных заявлений
Эта статья содержит прогнозные заявления. Все заявления, содержащиеся в этой статье, кроме заявлений об исторических фактах, являются прогнозными заявлениями, включая заявления относительно конкурентного преимущества IonQ. В некоторых случаях вы можете идентифицировать эти заявления по таким словам, как «может», «могло бы», «следующий», «новый», «будущий», «ближайший», «позиционируемый», «исследовать», «наносить на карту», «предполагать», «обещать» и другим подобным выражениям. Эти заявления являются лишь прогнозами, основанными на наших ожиданиях и прогнозах относительно будущих событий на дату написания этой статьи, и подвержены ряду рисков, неопределенностей и допущений, которые могут оказаться неверными, любой из которых может привести к тому, что фактические результаты будут существенно отличаться от тех, которые выражены или подразумеваются такими заявлениями, включая, среди прочего, те, которые описаны в разделе «Факторы риска» в нашем годовом отчете по форме 10-K за год, закончившийся 31 декабря 2025 года, и нашем квартальном отчете по форме 10-Q за квартал, закончившийся 30 июня 2026 года, поданном в Комиссию по ценным бумагам и биржам. Новые риски возникают время от времени, и наше руководство не может предсказать все риски, равно как и оценить влияние всех факторов на наш бизнес или степень, в которой любой фактор или комбинация факторов могут привести к тому, что фактические результаты будут существенно отличаться от тех, которые содержатся в любом сделанном нами прогнозном заявлении. Инвесторов предостерегают от чрезмерного доверия к любым таким прогнозным заявлениям, которые действительны только на дату их составления. За исключением случаев, предусмотренных законом, мы не берем на себя обязательств по обновлению каких-либо прогнозных заявлений, будь то в результате появления новой информации, будущих событий или иным образом.