32、利用量子机器学习进行卫星图像分类

利用量子机器学习进行卫星图像分类

1 引言

随着计算平台的飞速发展，机器学习在地球科学的众多领域得到了广泛应用。人们开始思考如何进一步提升计算能力，以更好地适配机器学习模型。量子信息工具为改变当前机器学习实践范式提供了新途径。

1.1 机器学习

“机器学习”（ML）这一术语由 Arthur Samuel 在 1959 年提出，旨在让计算机能够独立学习。其总体目标是开发算法，使其能从复杂的大量训练数据中自主学习。ML 可分为监督学习和无监督学习。监督学习中，算法依据标签进行学习；无监督学习则无需标签，直接从数据中学习。深度学习是 ML 的最新发展，在语音识别、自动驾驶、图像分类等领域有广泛应用。

在处理经典数据时，CPU 和 GPU 可减少经典计算的时间限制。但当数据量巨大时，传统系统训练时间过长，因此需要更强大的“量子机器学习”（QML）系统。本文旨在利用 QML 识别卫星图像中的土地覆盖类型，无需实地考察即可了解土地使用情况。

1.2 量子计算机与信息学

在地球系统科学领域，“量子”是个热门词汇。不过本文不探讨用量子物理解决地球物理问题，而是关注 QML 的常见理解和实践，以及其在土地覆盖分类任务中的应用。

量子物理在信息学（数据存储和处理）的现代实际应用主要有三个领域：量子通信、量子计算（QC）和量子传感（及计量学）。QML 是 QC 中快速发展的领域，其发展得益于量子计算机的日益普及。以 Google 量子计算机为例，它采用 Sycamore 处理器，拥有多达 54 个超导量子比特。量子计算机利用量子力学特性执行经典物理定律无法完成的任务，有望加速机器学习处理数字数据，发现传统系统难以学