SAR and InSAR Change Detection with Quantum Generative Models

Satellietradar biedt een unieke manier om de aarde te observeren, waarbij door wolken en duisternis heen wordt gekeken om de grond met precisie in kaart te brengen. In tegenstelling tot camera's die afhankelijk zijn van zonlicht, zenden deze sensoren hun eigen radiogolven uit en luisteren naar de echo, waardoor een beeld van het landschap ontstaat op basis van hoe ruw of glad het oppervlak is. Deze technologie is essentieel voor het opsporen van veranderingen: een nieuw gebouw, een overstroomde straat of een verschuivende vulkaan. De radar-signaal is echter berucht ruizig, gevuld met een korrelige statische ruis genaamd 'speckle', wat het moeilijk maakt om te bepalen of een pixel is veranderd omdat de grond bewoog of simpelweg omdat het signaal fluctueerde. Om dit op te lossen, vergelijken wetenschappers meestal een nieuwe afbeelding met een oude, waarbij ze proberen te voorspellen hoe de nieuwe afbeelding eruit zou zien als er niets was veranderd. Wanneer de data overvloedig is, werkt deze voorspelling goed. Maar wanneer de afbeeldingen extreem gedetailleerd zijn, wordt de data zo schaars en onregelmatig dat traditionele computermethoden moeite hebben om een betrouwbare gok te doen, waardoor ze vaak echte veranderingen missen of ongevaarlijke ruis als een ramp markeren.

Een team van onderzoekers heeft nu een andere aanpak getest, waarbij gebruik wordt gemaakt van een nieuw type computer die opereert op basis van de principes van de kwantummechanica om een beter voorspellingsmodel te bouwen. In plaats van te vertrouwen op standaard statistische trucs om de ruizige radar-data te verzachten, hebben ze een kwantum-machine learning-model getraind om de complexe relatie tussen de oude en nieuwe afbeeldingen te begrijpen. Ze testten dit systeem op echte satellietdata van Capella Space, waarbij ze naar twee zeer verschillende scenario's keken: een druk vliegveld in San Diego en een vulkaanuitbarsting op een Frans eiland. In het geval van het vliegveld, waar de radar-data rommelig en moeilijk te interpreteren was, presteerde het kwantummodel aanzienlijk beter dan de beste bestaande klassieke methoden. Het was beter in het negeren van de achtergrondruis en het benadrukken van de werkelijke veranderingen, zoals bewegingen van vliegtuigen of constructiewerkzaamheden. Toen ze het getrainde model op daadwerkelijke kwantumhardware plaatsten om de test uit te voeren, bleven de resultaten standhouden, wat bewijst dat deze kwantumcomputers zelfs nu ze zich nog in hun beginfase van ontwikkeling bevinden, in staat zijn om real-world taken uit te voeren.

De onderzoekers richtten zich op een specifieke uitdaging die wordt gevonden in hoogresolutie radarbeelden. Wanneer je genoeg inzoomt om individuele auto's of kleine gebouwen te zien, worden de statistische patronen van het signaal extreem scheefgetrokken, waarbij de meeste waarden geclusterd zijn in één gebied en enkele extreme uitschieters ver weg liggen. Traditionele methoden proberen dit op te lossen door de data te verzachten, maar dit vervaagt de fijne details die het nut van hoogresolutie-imaging juist groot maken. Het kwantumteam vermeed deze afweging door een generatief model te gebruiken, een type kunstmatige intelligentie dat de onderliggende regels van de data leert en nieuwe, realistische voorbeelden kan creëren van hoe het beeld eruit zou moeten zien. Ze gebruikten een specifieke architectuur genaamd een 'quantum circuit Born machine', die de unieke eigenschappen van kwantumbits gebruikt om de complexe verbindingen tussen de pixels van de voor- en na-afbeeldingen te leren. Door dit model te trainen op de gezamenlijke verdeling van de data, leerde het de achtergrond met hoge nauwkeurigheid te voorspellen, zelfs in de regio's waar de data te schaars was voor conventionele computers om een betrouwbare inschatting te maken.

De experimenten werden uitgevoerd op twee afzonderlijke datasets om ervoor te zorgen dat de methode robuust was. De eerste was een paar afbeeldingen van Marine Corps Air Station Miramar in San Diego, genomen met een resolutie van 1,2 meter. De tweede dataset legde de nasleep vast van een vulkaanuitbarsting bij Piton de la Fournaise, waarbij de onderzoekers zochten naar veranderingen in de coherentie van het radarsignaal veroorzaakt door verse lavastromen. Voor de vliegveld-data behaalde het kwantummodel een score van 0,32 bij het identificeren van veranderingen, wat aanzienlijk hoger was dan de scores van 0,16 en 0,24 behaald door de twee leidende klassieke methoden. Deze verbetering was het meest uitgesproken wanneer de data moeilijk en niet-standaard was, wat suggereert dat het kwantummodel uitblinkt waar traditionele statistiek tekortschiet. Voor de vulkanische lavastroom bereikten alle drie de methoden een vergelijkbare piekprestatie van ongeveer 0,66, wat aangeeft dat de kwantumbenadering ten minste net zo goed is als de beste klassieke instrumenten in eenvoudigere scenario's, maar superieur is wanneer de data rommelig is.

Om er zeker van te zijn dat deze resultaten geen toevalstreffer waren van de simulatie, draaide het team het getrainde model op daadwerkelijke kwantumhardware geleverd door IonQ. Ze testten het systeem onder verschillende omstandigheden, waarbij de training op de kwantumprocessor werd uitgevoerd, de inferentie op de processor, of beide. Hoewel de hardware enige ruis introduceerde die de scores iets verlaagde vergeleken met een perfecte simulatie, presteerde het kwantummodel in elke configuratie nog steeds beter dan de klassieke baselines. Dit bewees dat het voordeel echt is en niet afhankelijk is van een perfecte, foutloze omgeving. De onderzoekers testten ook of een model dat getraind is op één deel van het vliegveld kon worden toegepast op een ander deel zonder opnieuw te trainen. Het kwantummodel slaagde erin zijn kennis over te dragen en behield een hogere prestatie dan de klassieke methoden, wat suggereert dat het algemene regels over de omgeving heeft geleerd in plaats van alleen specifieke pixels te hebben onthouden.

De studie sloot ook alternatieve verklaringen voor het succes zorgvuldig uit. De onderzoekers testten of het kwantumvoordeel simpelweg voortkwam uit het gebruik van een meer geavanceerde manier om de data te verzachten. Ze vervingen de standaard verzachtingsmethode die door de klassieke modellen wordt gebruikt door een geavanceerdere statistische techniek genaamd 'kernel density estimation'. Deze wijziging verbeterde de klassieke modellen niet; het maakte hun prestaties zelfs slechter. Dit bevestigde dat het succes van het kwantummodel niet te wijten was aan een eenvoudige fout in het klassieke verzachtingsproces, maar aan een echt vermogen van de kwantumbenadering om te leren van schaarse, complexe data. De resultaten suggereren dat het kwantummodel bijzonder effectief is wanneer de data schaars is, waarbij het de gaten opvult waar traditionele methoden de voorspelling ongedefinieerd of ruizig laten.

Met het oog op de toekomst zien de onderzoekers potentieel om deze technologie op te schalen. De huidige experimenten gebruikten een kwantumcircuit met 20 qubits, een omvang die beheersbaar is voor de huidige hardware maar klein in vergelijking met de complexiteit van volledige satellietbeelden. De studie toonde aan dat naarm matter de resolutie van het model toenam, de prestaties verbeterden, wat erop wijst dat grotere kwantumcomputers zelfs meer gedetailleerde data kunnen verwerken. Het team merkte ook op dat hoewel hun huidige methode goed werkt voor standaard radarintensiteit, toekomstig werk deze technieken kan uitbreiden om de circulaire aard van fase-data gebruikt in interferometrie te verwerken, wat nog nauwkeurigere metingen van grondbeweging mogelijk maakt. Voor nu is dit werk een demonstratie dat kwantum-machine learning de stap kan zetten van theorie naar het oplossen van praktische problemen in remote sensing, en een nieuwe tool biedt voor het monitoren van onze veranderende planeet.