Quantum algorithms applied to satellite mission planning for Earth observation

要約

地球画像衛星は、産業活動のグローバル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 マップ、二酸化炭素排出量の追跡、植生の監視まで、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。
人工衛星は製造が難しく、維持費が高く、軌道への打ち上げが難しい。
したがって、衛星を効率的に使用することが重要です。
これは、衛星ミッション計画問題として知られる課題をもたらします。これは、大規模な計算では解決できな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は満足のいく解決策を提供す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するための一連の量子アルゴリズムを紹介し、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示します。
この問題は、数千のタスクと複数のサテライトを含む実際のデータセットで完了される優先度の高いタスクの数を最大化するように定式化されています。
この作業は、ソリューションの連鎖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の最大の可能性を提供することを示しています。
最も注目すべきは、この論文は、ハイブリッド化された量子強化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ることを示しています。
この研究で提示された結果は、宇宙産業における量子対応ソリューションへの道を開き、より一般的には、業界全体の将来のミッション計画の問題に道を開きます。

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 also limitations; satellites are difficult to manufacture, expensive to maintain, and tricky to launch into orbit. Therefore, it is critical that satellites are 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 can often provide satisfactory resolutions, such as greedy reinforcement learning, and optimization algorithms. 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. Most notably, this paper illustrates that a hybridized quantum-enhanced reinforcement learning agent can achieve a completion percentage of 98.5% over high-priority tasks, which is a significant improvement over the baseline greedy methods with a completion rate of 63.6%. 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