Quantum machine learning for large-scale classical datasets with applications in earth observation

Otgonbaatar, Soronzonbold (2025): Quantum machine learning for large-scale classical datasets with applications in earth observation. Dissertation, LMU München: Fakultät für Mathematik, Informatik und Statistik

Abstract

Big satellite datasets are used to monitor the Earth's surface or for Earth observation challenges like land cover changes. They enable leveraging artificial intelligence, including machine and deep learning, for detecting changes on the ground. Compared to conventional computational algorithms, artificial intelligence helps find better optimal solutions to Earth observation challenges involving big datasets. Decision-makers and policymakers already extensively use these solutions to make fast, safety-critical, and human-centered decisions. Quantum machine learning inspired by quantum algorithms promises to process some data-driven tasks faster than its conventional counterparts. We aim to use various benchmark satellite datasets to develop and benchmark quantum machine learning approaches with traditional artificial intelligence models. There are three main issues for processing quantum machine learning on benchmark satellite datasets: 1. Which machine learning task for big satellite datasets and which satellite data-driven task can be efficiently and effectively processed on a quantum computer? 2. how to embed large-dimensional satellite data points in input quantum states, and 3. how to profit from both supercomputers and quantum computers. To find a scientific answer to these three questions, we examine and identify both machine learning and satellite data-driven tasks that can be deployed on a quantum computer, otherwise inherently intractable. We then propose the encoding strategy of classical problems involving big satellite datasets in a quantum computer, named two-level encoding. Further, we design and investigate quantum machine learning approaches for a quantum annealer and a noisy intermediate-scale quantum computer for supervised learning tasks. For supervised learning tasks, the performance of our quantum machine learning approaches is already competitive (and even better in some instances) compared to the ones of their classical counterparts. Additionally, we estimate the quantum resource required to gain an advantage over a supercomputer and profit from a supercomputer and a quantum computer. Doing so gives us insights into a future fault-tolerant quantum computer for tackling practical computational problems.

Abstract

Man benutzt große Datensätze, um die Oberfläche der Erde zu überwachen oder für Erdbeobachtungsaufgaben wie Veränderungen der Bodenbedeckung. Diese Datensätze erlauben es, künstliche Intelligenz einschließlich maschinellem Lernen und Deep Learning einzusetzen, um Veränderungen auf der Erdoberfläche zu entdecken. Im Vergleich zu konventionellen Rechenverfahren hilft künstliche Intelligenz, bessere optimale Lösungen für Erdbeobachtungsaufgaben mit großen Datensätzen zu finden. Entscheidungsträger und politische Entscheider nutzen diese Lösungen bereits ausführlich, um schnelle sicherheitskritische sowie menschenzentrierte Entscheidungen zu treffen. Dabei verspricht maschinelles Lernen mit Quantencomputern, basierend auf Quantenalgorithmen, einige Aufgaben schneller zu lösen als es datengesteuerte konventionelle Alternativen erlauben. Wir versuchen hier, verschiedene Referenzdatensätze von Satellitendaten zu nutzen, um Vorgehensweisen für maschinelles Lernen auf Quantencomputern mithilfe von traditionellen Modellen der künstlichen Intelligenz zu entwickeln und zu bewerten. Hier gibt es drei Hauptaufgaben bei der Verarbeitung von maschinellem Lernen auf Quantencomputern mit Referenzdatensätzen von Satelliten: 1. Welche Aufgaben des maschinellen Lernens für große Datensätze von Satelliten und welche datengesteuerten Aufgaben von Satelliten kann man effizient und tatsächlich auf einem Quantencomputer berechnen? 2. Wie kann man hochdimensionale Datenpunkte von Satelliten in Eingabe-Quantenzustände einbetten? sowie 3. Wie kann man sowohl Supercomputer als auch Quantencomputer gemeinsam profitabel ausnutzen? Um eine wissenschaftlich fundierte Antwort auf diese drei Fragen zu erhalten, untersuchen und identifizieren wir sowohl Aufgaben des maschinellen Lernens als auch datengesteuerte Aufgaben von Satelliten, die auf einen Quantencomputer verteilt werden können und sonst von sich aus unlösbar wären. Danach schlagen wir unsere Encoding-Strategie für klassische Aufgabenstellungen mit großen Datensätzen von Satelliten für einen Quantencomputer vor, nämlich ein zweistufiges Encoding. Darüber hinaus entwerfen und untersuchen wir Quanten-Lernansätze für einen Quantenannealer und einen störanfälligen mittelgroßen Quantencomputer für Aufgaben mit überwachtem Lernen. Für Aufgaben mit überwachtem Lernen ist die Leistung unserer Quantenansätze für maschinelles Lernen bereits konkurrenzfähig (und für einige Fälle sogar besser) als klassische Vergleichsansätze. Zusätzlich schätzen wir die benötigten Quantenressourcen, die nötig sind, um besser zu sein als ein Supercomputer und um von einem kombinierten Supercomputer mit Quantencomputer zu profitieren. Dies gibt uns Einblicke in zukünftige fehlertolerante Quantencomputer, um praktische Berechnungsaufgaben anzugehen.

• Dokumententyp: Dissertationen (Dissertation, LMU München)
• Keywords: Quantum Computing, Quantum Artificial Intelligence, Quantum Machine Learning, Artificial Intelligence, Machine Learning, Big Data, Earth Observation, Remote Sensing, Climate Modelling, Satellite Data Processing
• Themengebiete: 000 Allgemeines, Informatik, Informationswissenschaft ; 000 Allgemeines, Informatik, Informationswissenschaft > 004 Informatik
• Fakultäten: Fakultät für Mathematik, Informatik und Statistik
• Sprache der Hochschulschrift: Englisch
• Datum der mündlichen Prüfung: 13. Februar 2025
• 1. Bericht­erstatter:in: Kranzlmüller, Dieter