Artificial Intelligence 2 λεπτά ανάγνωσης

Κβαντική Μάθηση Μηχανής: Επίδραση Πληροφοριών Φάσης σε SAR Δεδομένα

Κβαντική Μάθηση Μηχανής: Επίδραση Πληροφοριών Φάσης σε SAR Δεδομένα

Οι συνθετικές εικόνες ραντάρ (SAR) είναι εγγενώς σύνθετης μορφής, ενώ τα μοντέλα κβαντικής μηχανικής μάθησης (QML) λειτουργούν σε σύνθετους χώρους Hilbert. Αυτή η ομοιότητα υποδηλώνει ότι η χρήση τόσο του μέτρου όσο και της φάσης των δεδομένων SAR στην κβαντική κωδικοποίηση θα μπορούσε να βοηθήσει στην αυτόματη αναγνώριση στόχων σε SAR εικόνες. Σε αυτή τη μελέτη, εξετάζεται αυτή η υπόθεση μέσω διαφόρων κβαντικών μοντέλων: κωδικοποίηση μόνο του μέτρου, κοινή κωδικοποίηση μέτρου-φάσης, κωδικοποίηση σε φάση και τεταρτοκύκλιο, κωδικοποίηση προεπεξεργασμένης φάσης και μία καθαρά κβαντική αρχιτεκτονική. Όλες οι μέθοδοι αξιολογούνται σε ενοποιημένο πειραματικό περιβάλλον στο σύνολο δεδομένων MSTAR.

Παραδόξως, διαπιστώνεται ότι η κωδικοποίηση μόνο του μέτρου αποδίδει καλύτερα από τις κωδικοποιήσεις που περιλαμβάνουν φάση σε υβριδικά κβαντο-κλασικά μοντέλα. Συγκεκριμένα, επιτυγχάνει ακρίβεια 99,57 τοις εκατό στην εργασία τριών κατηγοριών και 71,19 τοις εκατό στην εργασία οκτώ κατηγοριών, υπερβαίνοντας τις σύνθετες εναλλακτικές στον ίδιο πλαίσιο. Η προσθήκη πληροφοριών φάσης προσφέρει ελάχιστη ή καθόλου βελτίωση και ενίοτε μπορεί να μειώσει την απόδοση. Ωστόσο, σε καθαρά κβαντικά μοντέλα με μόνο 184 έως 224 παραμέτρους εκπαίδευσης και χωρίς κλασικά επίπεδα νευρωνικών δικτύων, οι πληροφορίες φάσης γίνονται πολύ πιο σημαντικές, βελτιώνοντας την ακρίβεια κατά 21,65 εκατοστιαίες μονάδες.

Αυτά τα ευρήματα δείχνουν ότι η χρησιμότητα των πληροφοριών φάσης εξαρτάται όχι μόνο από τα δεδομένα αλλά και από την αρχιτεκτονική που χρησιμοποιείται για την επεξεργασία τους. Τα υβριδικά μοντέλα μπορούν να αντισταθμίσουν την απουσία πληροφοριών φάσης μέσω των κλασικών τους στοιχείων, ενώ τα καθαρά κβαντικά μοντέλα βασίζονται περισσότερο στις πληροφορίες φάσης για τη διάκριση κατηγοριών. Τα αποτελέσματα αυτά παρέχουν πρακτική καθοδήγηση για την κωδικοποίηση σύνθετων δεδομένων στην κβαντική μηχανική μάθηση και αναδεικνύουν τη σημασία της από κοινού σχεδίασης στρατηγικών κωδικοποίησης και αρχιτεκτονικών μοντέλων για τα τρέχοντα κβαντικά συστήματα.