SAR and InSAR Change Detection with Quantum Generative Models

يوفر الرادار الساتلي طريقة فريدة لمراقبة الأرض، حيث يمكنه الرؤية من خلال السحب والظلام لرسم خرائط للأرض بدقة عالية. وبخلاف الكاميرات التي تعتمد على ضوء الشمس، ترسل هذه المستشعرات موجاتها الراديوية الخاصة وتستمع إلى الصدى، مما ينشئ صورة للمناظر الطبيعية بناءً على مدى خشونة أو نعومة السطح. وتعد هذه التكنولوجيا حيوية لرصد التغييرات: مثل مبنى جديد، أو شارع مغمور، أو بركان يتحرك. ومع ذلك، فإن إشارة الرادار مشوبة بالضجيج بشكل ملحوظ، فهي مليئة بـ "النمش" (speckle)، وهو عبارة عن تشويش حبيبي يجعل من الصعب تحديد ما إذا كان البكسل قد تغير لأن الأرض تحركت أم لمجرد تذبذب الإشارة. ولحل هذه المشكلة، يقوم العلماء عادةً بمقارنة صورة جديدة بصورة قديمة، محاولين التنبؤ بما يجب أن تبدو عليه الصورة الجديدة إذا لم يتغير شيء. وعندما تكون البيانات وفيرة، يعمل هذا التنبؤ بشكل جيد. ولكن عندما تكون الصور مفصلة للغاية، تصبح البيانات متفرقة وغير منتظمة لدرجة تجعل الطرق الحاسوبية التقليدية تجد صعوبة في تقديم تخمين موثوق، مما يؤدي غالباً إلى تفويت التغييرات الحقيقية أو اعتبار الضوضاء غير الضارة كارثة.

لقد اختبر فريق من الباحثين الآن نهجاً مختلفاً، باستخدام نوع جديد من الحاسوب يعمل وفق مبادئ ميكانيكا الكم لبناء نموذج تنبؤ أفضل. فبدلاً من الاعتماد على الحيل الإحصائية القياسية لتنعيم بيانات الرادار المشوشة، قاموا بتدريب نموذج تعلم آلي كمي لفهم العلاقة المعقدة بين الصورتين القديمة والجديدة. وقد اختبروا هذا النظام على بيانات ساتلية حقيقية من "كابيلا سبيس" (Capella Space)، حيث نظروا في سيناريوهين مختلفين تماماً: مطار مزدحم في سان دييغو، وثوران بركاني في جزيرة فرنسية. وفي حالة المطار، حيث كانت بيانات الرادار فوضوية وصعبة التفسير، تفوق النموذج الكمي بشكل كبير على أفضل الطرق الكلاسيكية الموجودة؛ فقد كان أفضل في تجاهل الضوضاء الخلفية وتسليط الضوء على التغييرات الفعلية، مثل حركة الطائرات أو أعمال البناء. وعندما نقلوا النموذج المدرب إلى أجهزة كمبيوتر كمية فعلية لتشغيل الاختبار، صمدت النتائج، مما أثبت أن هذه الحواسيب الكمية يمكنها التعامل مع المهام الواقعية حتى وهي لا تزال في مراحل تطويرها الأولى.

ركز الباحثون على تحدٍ محدد يوجد في صور الرادار عالية الدقة. فعندما تقترب من الصورة لرؤية سيارات فردية أو مبانٍ صغيرة، تصبح الأنماط الإحصائية للإشارة منحرفة للغاية، حيث تتجمع معظم القيم في منطقة واحدة بينما تمتد بعض القيم المتطرفة بعيداً. تحاول الطرق التقليدية معالجة ذلك عن طريق تنعيم البيانات، لكن هذا يؤدي إلى طمس التفاصيل الدقيقة التي تجعل التصوير عالي الدقة مفيداً في المقام الأول. وقد تجنب الفريق الكمي هذه المقايضة باستخدام نموذج توليدي، وهو نوع من الذكاء الاصطناعي الذي يتعلم القواعد الكامنة للبيانات ويمكنه إنشاء أمثلة جديدة وواقعية لما يجب أن تبدو عليه الصورة. واستخدموا بنية محددة تسمى "آلة بورن للدائرة الكمية" (quantum circuit Born machine)، والتي تستخدم الخصائص الفريدة للبتات الكمية لتعلم الروابط المعقدة بين بكسلات الصور قبل وبعد التغيير. ومن خلال تدريب هذا النموذج على التوزيع المشترك للبيانات، تعلم التنبؤ بالخلفية بدقة عالية، حتى في المناطق التي كانت فيها البيانات متفرقة جداً بحيث لا تستطيع الحواسيب التقليدية تقديم قرار واثق.

أُجريت التجارب على مجموعتي بيانات متميزتين لضمان قوة المنهج. كانت الأولى عبارة عن زوج من الصور لمحطة مشاة مشاة مارين (Marine Corps Air Station Miramar) في سان دييغو، التُقطت بدقة 1.2 متر. أما مجموعة البيانات الثانية فقد رصدت آثار ثوران بركاني في "بيتون دي لا فورنيز" (Piton de la Fournaise)، حيث بحث الباحثون عن التغييرات في تماسك إشارة الرادار الناتجة عن تدفقات الحمم البركانية الجديدة. وبالنسبة لبيانات المطار، حقق النموذج الكمي درجة 0.32 في تحديد التغييرات، وهي أعلى بشكل ملحوظ من الدرجتين 0.16 و0.24 اللتين حققتهما أفضل طريقتين كلاسيكيتين. وكان هذا التحسن أكثر وضوحاً عندما كانت البيانات صعبة وغير قياسية، مما يشير إلى أن النموذج الكمي يتفوق في الحالات التي تفشل فيها الإحصاءات التقليدية. أما بالنسبة لتدفق الحمم البركانية، فقد وصلت الطرق الثلاث إلى ذروة أداء مماثلة بلغت حوالي 0.66، مما يشير إلى أن النهج الكمي لا يقل جودة عن أفضل الأدوات الكلاسية في السيناريوهات السهلة، ولكنه يتفوق عليها عندما تكون البيانات فوضوية.

ولضمان أن هذه النتيات لم تكن مجرد ضربة حظ في المحاكاة، قام الفريق بتشغيل النموذج المدرب على أجهزة كمبيوتر كمية فعلية مقدمة من شركة "آيون كيو" (IonQ). واختبروا النظام تحت ظروف مختلفة، حيث تم إجراء التدريب على المعالج الكمي، أو إجراء الاستدلال على المعالج، أو كليهما. وبينما أدى وجود الضجيج في الأجهزة إلى خفض الدرجات قليلاً مقار بالمحاكاة المثالية، إلا أن النموذج الكمي ظل يتفوق على النماذج الكلاسيكية المرجعية في جميع التكوينات. وقد أثبت هذا أن الميزة حقيقية وليست معتمدة على بيئة مثالية خالية من الأخطاء. كما اختبر الباحثون ما إذا كان يمكن تطبيق نموذج تم تدريبه على جزء واحد من المطار على جزء آخر دون إعادة تدريب؛ وقد نجح النموذج الكمي في نقل معرفته، محافظاً على أداء أعلى من الطرق الكلاسيكية، مما يشير إلى أنه تعلم قواعد عامة حول البيئة بدلاً من مجرد حفظ بكسلات محددة.

كما استبعدت الدراسة بعناية التفسيرات البديلة لنجاح النموذج. فقد اختبر الباحثون ما إذا كانت الميزة الكمية تأتي ببساطة من استخدام طريقة أكثر تطوراً لتنعيم البيانات؛ حيث استبدلوا طريقة التنعيم القياسية المستخدمة في النماذج الكلاسيكية بتقنية إحصائية أكثر تقدماً تسمى "تقدير كثافة النواة" (kernel density estimation). ولم يؤدِ هذا التغيير إلى تحسين النماذج الكلاسيكية، بل جعله في الواقع أسوأ؛ مما أكد أن نجاح النموذج الكمي لم يكن ناتجاً عن خلل بسيط في عملية التنعيم الكلاسيكية، بل كان نتيجة قدرة حقيقية للنهج الكمي على التعلم من البيانات المتفرقة والمعقدة. وتشير النتائج إلى أن النموذج الكمي فعال بشكل خاص عندما تكون البيانات متفرقة، حيث يسد الفجوات التي تترك فيها الطرق التقليدية التنبؤ غير محدد أو مشوشاً.

وبالنظر إلى المستقبل، يرى الباحثون إمكانية لتوسيع نطاق هذه التكنولوجيا. استخدمت التجارب الحالية دائرة كمية مكونة من 20 كيوبت (qubit)، وهو حجم يمكن إدارته بالأجهزة الحالية ولكنه صغير مقار بتعقيد صور الأقمار الصناعية الكاملة. وقد أظهرت الدراسة أنه كلما زادت دقة النموذج، تحسن أداؤه، مما يوحي بأن الحواسيب الكمية الأكبر يمكنها التعامل مع بيانات أكثر تفصيلاً. كما لاحظ الفريق أنه بينما يعمل أسلوبهم الحالي بشكل جيد مع شدة الرادار القياسية، فإن العمل المستقبلي يمكن أن يمتد ليشمل التعامل مع الطبيعة الدائرية لبيانات الطور المستخدمة في التداخل (interferometry)، مما سيسمح بقياسات أكثر دقة لحركة الأرض. وفي الوقت الحالي، يعد هذا العمل بمثابة برهان على أن تعلم الآلة الكمي يمكن أن يتجاوز النظرية ويحل مشكلات عملية في الاستشعار عن بعد، مما يوفر أداة جديدة لمراقبة كوكبنا المتغير.