來自 arXiv 的一項新研究提出了一種量子增強的深度學習模型，用於從 Sentinel-2 衞星影像中分割野火區域。該模型名為 QFireNet，基於經典的 U-Net 圖像分割架構，並在其瓶頸部分引入了變分量子電路，旨在更好地建模高維光譜特徵空間。野火檢測是一個具有挑戰性的語義分割問題，因為存在類別不平衡、特徵複雜和大氣干擾等問題。研究者希望藉助量子計算的表達能力來提升分割性能。
在實驗中，團隊測試了兩種量子電路設計：QuFeX 和 QB-Net 變分量子電路。這些電路被注入到 U-Net 的瓶頸層，形成量子混合模型。使用 Sen2Fire 數據集進行對比評估，該數據集包含從 Sentinel-2 衞星獲取的多光譜圖像。結果表明，兩種量子增強模型均優於經典的 U-Net 基線：QB-Net 達到了 31.18 的 F1 分數，QuFeX 達到了 30.79，而經典 U-Net 僅為 28.71。此外，他們還測試了經典的特徵金字塔網絡（FPN），其 F1 分數為 31.13，與量子模型相當。
一個關鍵的發現是數據混合技術的重要性。由於訓練集和測試集來自不同地理區域，存在顯著的域偏移。通過均勻混合輸入數據，模型能夠消除這種偏移，將經典 FPN 的 F1 分數大幅提升至 39.76，提高了約 8.6 個百分點。這一結果強調了數據預處理在泛化中的關鍵作用。研究還探索了其他經典改進，包括參數壓縮和替代損失函數，但數據混合帶來的提升最大。
為了驗證模型的魯棒性，團隊在加利福尼亞燃燒區域（CaBuAr）數據集上進行了跨數據集遷移測試。結果表明，QFireNet 能夠較好地泛化到新的地理區域，進一步證實了量子混合架構的潛力。總體而言，該研究為量子機器學習在遙感圖像分割領域的應用提供了有力證據，未來工作將探索更復雜的量子電路和更大規模的數據集。