🟠شرکت IonQ مدل یادگیری ماشین کوانتومی را برای تشخیص تغییرات تصاویر ماهواره‌ای آزمایش کرد

🔹پژوهشگران شرکت #IonQ یک مدل #یادگیری_ماشین_کوانتومی_مولد (generative) را برای تشخیص تغییرات در تصاویر ماهواره‌ای آزمایش کرده‌اند. هدف این مطالعه، بررسی این موضوع بود که آیا روش‌های کوانتومی می‌توانند در تحلیل تصاویر ماهواره‌ای پیچیده، به‌ویژه جایی که داده‌ها برای روش‌های کلاسیک بسیار پراکنده هستند، مفید واقع شوند. این پژوهش بخشی از تلاش IonQ برای ورود به حوزه مشاهده زمین (Earth Observation – EO) و به‌کارگیری فناوری کوانتومی در گردش‌کارهای واقعی کسب‌وکار است.

🔸داده‌های استفاده‌شده شامل تصاویر واقعی رادار دهانه مصنوعی (Synthetic Aperture Radar – SAR) و تداخل‌سنجی SAR یا همان InSAR بود که توسط ماهواره‌های شرکت Capella Space (که IonQ در سال ۲۰۲۵ آن را خریداری کرده) از ایستگاه هوایی نیروی دریایی در میرا‌مار سن‌دیگو و آتشفشان پیتون دو لا فورنز در جزیره رئونیون ثبت شده بودند.

🔹فناوری SAR یک فناوری سنجش از دور مبتنی بر رادار است که با سیگنال‌های مایکروویو و ثبت بازپراکنش (backscatter) تصویر می‌سازد و برخلاف تصاویر الکترواپتیکی سنتی، در شب و تقریباً در همه شرایط جوی قابل استفاده است؛ اما تفسیر داده‌های آن پیچیده‌تر است. InSAR نیز با استفاده از اختلاف فاز میان چند تصویر SAR، تغییرات سطح زمین را در مقیاس میلی‌متری اندازه‌گیری می‌کند

🔸مدل کوانتومی به‌کاررفته ماشین بورن مدار کوانتومی (Quantum Circuit Born Machine – QCBM) نام دارد؛ یک #مدل_مولد_کوانتومی که با مدارهای کوانتومی پارامتری توزیع‌های احتمالی داده‌ها را یاد می‌گیرد. پژوهشگران آن را با یک روش کلاسیک به نام برآوردگر غیرخطی پس‌زمینه (NLBE) مقایسه کردند.

🔹آزمایش‌ها در سه حالت انجام شد: مدل کلاسیک، مدل کوانتومی روی شبیه‌ساز و مدل کوانتومی روی واحد پردازش کوانتومی (QPU) #یون_به‌دام‌افتاده ساخت IonQ.

❗️نتیجه اصلی این بود که در تصاویری که توزیع پیکسل‌هایشان به‌شدت نامتقارن (Skewed) بود و تحلیل کلاسیک برایشان سخت است، مدل کوانتومی امتیاز بهتری گرفت. اما در تصاویری که توزیع پیکسل‌ها نزدیک به توزیع گاوسی یعنی حالت نرمال و متعادل بود، هر دو روش تقریباً یکسان عمل کردند. این نشان می‌دهد کوانتوم می‌تواند جایی مفید باشد که داده‌ها پراکنده و پیچیده‌اند.

🔸این آزمایش یک نقطه عطف اولیه در سنجش عملکرد فناوری کوانتومی در گردش‌کار تحلیل #مشاهده_زمین است. این نتایج به نقشه راه IonQ برای جای‌گیری خطوط لوله ترکیبی کوانتومی-کلاسیک در بخش فضایی کمک می‌کند. گام بعدی IonQ این است که مشخص کند کوانتوم دقیقاً در کدام بخش از تحلیل تصاویر ماهواره‌ای بیشترین ارزش را ایجاد می‌کند.

📎 لینک خبر
‼️لینک پیش‌چاپ مقاله

🔸🔸🔸🔸🔸🔸
🔗 Website
🔗 Telegram
🔗 LinkedIn

#اخبار #محاسبات_کوانتومی #یادگیری_ماشین_کوانتومی