Hybride quanten-klassische Verarbeitungsabläufe in modularen Supercomputing-Architekturen für datenintensive Erdbeobachtungsanwendungen

Bei diesem Projekt handelt es sich um eine Proof-of-Concept-Studie, bei der die Leistungsfähigkeit fortschrittlicher Hochleistungs- und Quantencomputersysteme für Big-Data-Anwendungen des maschinellen Lernens in der Fernerkundungsdatenanalyse genutzt wird. Die gewonnenen Arbeitsabläufe zielen darauf ab, Skalierbarkeit zu implementieren und die wachsende Zahl von Datenerfassungen mit höherer Auflösung und kürzeren Wiederholungszeiten im Rahmen der Erdbeobachtung zu bewältigen. Die erste Phase des Projekts besteht im Benchmarking einzelner Rechnertechnologien. Es wurden Fortschritte bei der Nutzung des D-Wave Advantage Quantenannealers JUPSI für maschinelles Lernen erzielt. Es wurde ein Algorithmus namens Quantum Multiclass Support Vector Machine entwickelt, der aus einem einzigen Optimierungsschritt besteht, welcher vom Quantenannealer für die Durchführung einer Multiklassenklassifizierung durchgeführt wird. Ein wichtiger Aspekt ist, dass der Algorithmus nur eine Teilmenge von Trainingsbeispielen verwendet. Die erhaltenen Lösungen werden dann kombiniert, um die Genauigkeit auf der gesamten Trainingsmenge zu maximieren.

Referenzen: 10.1109/IGARSS46834.2022.9883963