Quantum‑Classical GAN revolutioniert seismische Datenverarbeitung

In der seismischen Datenverarbeitung haben klassische neuronale Netzwerke (NN) zwar Fortschritte erzielt, doch ihre Beschränkung auf reelle, euklidische Räume limitiert die Fähigkeit, komplexe und nicht-stationäre Wellenfelder zu modellieren. Durch die Nutzung der exponentiellen Zustandsräume der Quantenmechanik eröffnen sich neue Möglichkeiten, die Repräsentationskapazität deutlich zu erhöhen.

Auf dieser Grundlage wurde das erste quantum‑classical generative adversarial network (QC‑GAN) für seismische Anwendungen entwickelt. Das Modell kombiniert einen quantenbasierten Pfad, der hochgradige Feature‑Korrelationen ausnutzt, mit einem klassischen Convolution‑Pfad, der die strukturellen Eigenschaften der seismischen Wellen extrahiert. Diese Synergie ermöglicht eine vielschichtige Analyse, die sowohl die Tiefe als auch die Breite der Daten abdeckt.

Ein zentrales Merkmal des QC‑GAN ist der QC‑Feature‑Complementarity‑Loss, der die Orthogonalität der beiden Pfade erzwingt. Durch die Sicherstellung, dass die quanten- und konvolutionalen Komponenten nicht überlappende Informationen kodieren, wird die Gesamtrepräsentationsfähigkeit des Netzwerks erheblich gesteigert. Damit stellt das QC‑GAN einen bedeutenden Fortschritt dar und markiert den ersten Einsatz von Quanten‑Neural‑Netzwerken in der seismischen Exploration.