Quantum algorithms applied to satellite mission planning for Earth observation

要約

地球画像衛星は、産業活動の世界的な追跡を可能にする、私たちの日常生活の重要な部分です。
ユースケースは、天気予報からデジタル地図、二酸化炭素排出量追跡、植生監視まで、多くのアプリケーションに及びます。
ただし、制限もあります。
衛星は製造が難しく、維持費が高くつき、軌道に打ち上げるのも困難です。
したがって、衛星を効率的に使用する必要があります。
これは衛星ミッション計画問題として知られる課題を引き起こしており、大規模に解決するには計算能力が非常に高い可能性があります。
ただし、貪欲な強化学習や最適化アルゴリズムなど、最適に近いアルゴリズムでは、満足のいく解決策が得られることがよくあります。
この論文では、ミッション計画の問題を解決し、これまでに実装された古典的なアルゴリズムに対する利点を実証するための一連の量子アルゴリズムを紹介します。
この問題は、数千のタスクと複数の衛星を含む実際のデータセット上で完了する優先度の高いタスクの数を最大化するものとして定式化されます。
この研究は、ソリューション チェーンとクラスタリングを通じて、最適化と機械学習のアルゴリズムが最適なソリューションに対する最大の可能性を提供することを実証しています。
この論文は特に、ハイブリッド化された量子強化学習エージェントが優先度の高いタスクで 98.5% の完了率を達成でき、ベースラインの貪欲な手法 (完了率 75.8%) を大幅に改善できることを示しています。
この研究で示された結果は、宇宙産業における量子対応ソリューション、そしてより一般的には、産業全体にわたる将来のミッション計画の問題への道を開きます。

要約(オリジナル)

Earth imaging satellites are a crucial part of our everyday lives that enable global tracking of industrial activities. Use cases span many applications, from weather forecasting to digital maps, carbon footprint tracking, and vegetation monitoring. However, there are limitations; satellites are difficult to manufacture, expensive to maintain, and tricky to launch into orbit. Therefore, satellites must be employed efficiently. This poses a challenge known as the satellite mission planning problem, which could be computationally prohibitive to solve on large scales. However, close-to-optimal algorithms, such as greedy reinforcement learning and optimization algorithms, can often provide satisfactory resolutions. This paper introduces a set of quantum algorithms to solve the mission planning problem and demonstrate an advantage over the classical algorithms implemented thus far. The problem is formulated as maximizing the number of high-priority tasks completed on real datasets containing thousands of tasks and multiple satellites. This work demonstrates that through solution-chaining and clustering, optimization and machine learning algorithms offer the greatest potential for optimal solutions. This paper notably illustrates that a hybridized quantum-enhanced reinforcement learning agent can achieve a completion percentage of 98.5% over high-priority tasks, significantly improving over the baseline greedy methods with a completion rate of 75.8%. The results presented in this work pave the way to quantum-enabled solutions in the space industry and, more generally, future mission planning problems across industries.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google