利用量子优势进行卫星图像处理：综述与评估
量子物理
2023-11-15 v2
摘要
本文考察了量子计算在地球观测（EO）与卫星影像中的现状。我们分析了量子学习模型在处理卫星数据时的潜在局限与应用，同时考量了从量子优势中获益以及在高性能计算（HPC）与量子计算（QC）之间寻找最优分配的持续挑战。随后，我们评估了一些被转译至 Clifford+T 通用门集的参数化量子电路模型。T 门揭示了在 HPC 系统或若干 QC 系统上部署量子模型所需的量子资源。特别地，若 T 门无法在 HPC 系统上被高效模拟，我们便可应用量子计算机及其相对于传统技术的计算能力。我们的量子资源估计表明，量子机器学习（QML）模型在拥有足够数量 T 门的前提下，当且仅当其在未见数据点上的泛化能力优于部署于 HPC 系统上的经典对应模型，且如传统深度神经网络那样在每次学习迭代中打破权重对称性时，才提供量子优势。我们还对一些 QML 模型所需的量子资源进行了估计，作为一项初步创新。最后，我们针对高光谱卫星图像的 QML 模型执行，定义了 HPC+QC 系统间的最优分配。与其他卫星图像相比，这是一类独特的数据集，因其输入量子比特数有限且带标签的基准图像数量少，使其在量子计算机上部署的挑战性较低。
引用
@article{arxiv.2308.09453,
title = {Exploiting the Quantum Advantage for Satellite Image Processing: Review and Assessment},
author = {Soronzonbold Otgonbaatar and Dieter Kranzlmüller},
journal= {arXiv preprint arXiv:2308.09453},
year = {2023}
}
备注
It could be withdrawn if accepted in IEEE Transaction on Quantum Engineering