量子啟發運算突破：AI模型縮減99%，助力太空域感知識別

太空碎片難題推動軟體創新

隨著人類太空活動日益頻繁，地球軌道環保日趨擁擠。美國太空監視網路每天蒐集18,000至25,000筆軌道觀測資料，其中許多偵測結果無法立即與已知衛星或碎片建立關聯。這些「未關聯軌跡」（Uncorrelated Tracks，UCTs）可能包含新發射的太空船、碰撞碎片或需要進一步調查的神秘物體。識別延遲不僅拖慢軍事決策速度，更削弱對太空環境的整體感知能力。

量子啟發架構突破AI壓縮瓶頸

紐約科技公司BosonQ Psi Federal（BQP）近日贏得美國聯邦政府首項研究合約，委託其開發協助軍事操作人員快速識別軌道未知物體的軟體。此合約透過美國太空部隊SpaceWERX開放主題小型企業創新研究（SBIR）計畫授予，聚焦運用物理限制機器學習技術強化太空域感知能力。

BQP的創新之處在於「物理限制量子輔助機器學習」（Physics-Constrained Quantum-Assisted Machine Learning，PC-QAML）架構。該技術不同於傳統深度學習依賴龐大參數堆砌，而是結合物理模型與量子啟發運算邏輯，實現前所未有的模型壓縮率。根據BQP公布的數據，PC-QAML可將AI模型參數從約1,400萬個壓縮至約2,000個——壓縮率高達99%，卻不犧牲分類準確率，維持在99%以上。

資源受限環境下的實用AI

PC-QAML的優勢不止於模型尺寸。該架構在推論延遲上實現最高10倍的降幅，功耗消耗則節省約90%。這對部署在衛星與邊緣平台上的AI應用至關重要——這些環境往往面臨嚴格的功耗與處理效能限制。

BQP強調，其軟體無需依賴雲端基礎設施、繪圖處理器或未來量子電腦，即可提供精準AI推論。該技術已在太空域感知TAP實驗室的NVIDIA Jetson Nano邊緣運算裝置上完成驗證，證明先進AI可在適用於自主太空任務的小型硬體上正常運作。

BQP創辦人暨首席技術長Rut Lineswala表示：「我們的目標是讓先進AI在最重要的地方發揮實際效用——那就是在算力有限、通訊斷斷續續的環境下運作的衛星與前沿部署系統。」

從軍事應用到多領域應用

在軍事領域，PC-QAML軟體可協助軍方區分常規軌道活動與潛在可疑行為，包括衛星機動、分離事件及近距離操作等。直接在太空船上處理資訊，減少對集中式運算系統的依賴，大幅提升決策反應速度。

此計畫延伸了BQP與太空域感知TAP實驗室的前期合作。在2025年SDA Mini-Accelerator期間，BQP技術已展示軌道分離偵測能力，並成為未來UCT分類及威脅模擬應用的候選方案。

BQP指出，同一套軟體亦具跨域應用潛力。在國防領域以外，該技術可延伸至商業航太、自動駕駛車輛、工業監控等領域——凡是需要AI在小型低功耗運算平台上穩定運行的場景，皆具備實用價值。