基于卫星的地球观察结果具有广泛的应用,例如自然灾害警告,全球温度影响分析,天气条件分析和土地利用分类。但是,目前用于土地利用分类的机器学习技术在时间和精力方面是昂贵的。有两种可能解决此问题的方法。第一个是变性量子算法。它们是一类量子算法,针对近乎中等规模的量子计算时代的应用。这些算法采用共同参数化的量子电路和经典优化技术来查找从给定应用点起具有理想特性的量子电路或状态。vqas通常在寻找量子哈密顿量的低能状态时发现应用程序,解决了大约二次无约束的二进制优化问题和训练量子神经网络。在地球观测区域中,最有希望的应用领域在于QNN,因为应用VQAS允许创建采用量子信息处理工具的新分类方法。第二种方法是使用量子计算机用于使用自动编码器降低维度的混合机学习方法,以及量子算法的量子算法,量子算法供电量子算法来降低培训成本。使用常规深度学习技术的自动编码器在GPU上执行,而深度信念网络则在D-Wave量子退火器上运行。这种混合方法允许对两个模块进行独立训练,部分减少了重新训练模型所需的时间和能量(请参见图I)。
主要关键词