量子啟發軟體將AI模型縮減99%，助力識別軌道未知物體

量子啟發軟體將AI模型縮減99%，助力識別軌道未知物體

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，委託其開發能協助軍事操作人員更快識別地球軌道未知物體的軟體。此合約透過SpaceWERX開放主題小型企業創新研究（SBIR）計畫授予，聚焦於運用物理限制機器學習技術提升太空域感知（Space Domain Awareness）能力。

BQP將驗證一款結合物理模型與量子啟發運算技術的全新軟體應用程式，目標是在消耗遠低於傳統人工智慧模型運算資源的前提下，更快速地分類未識別的軌道物體。該技術主要針對在嚴格功耗與處理效能限制下運作的衛星及其他邊緣平台。

軌道環境日益擁擠

隨著衛星與太空碎片數量不斷增加，追蹤軌道活動變得愈發困難。美國太空監視網路（U.S. Space Surveillance Network）每天蒐集18,000至25,000筆觀測資料，其中許多偵測結果無法立即與已知衛星或碎片建立關聯。

這些無法關聯的觀測記錄被稱為「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物體。識別延遲不僅會拖慢作戰決策，更會降低對太空環境的整體感知能力。

BQP的軟體透過結合物理限制與量子輔助機器學習，旨在加速這一識別過程。該公司表示，此方法無需依賴雲端基礎設施、繪圖處理器或未來的量子電腦，即可提供精準的AI推論，可直接在太空規格處理器及其他資源受限硬體上運行。

更小的AI模型，更快的決策速度

根據BQP說明，其「物理限制量子輔助機器學習」（Physics-Constrained Quantum-Assisted Machine Learning，PC-QAML）架構可將模型壓縮99%，從約1,400萬個參數縮減至約2,000個，且不犧牲準確率。該公司表示，儘管模型大幅精簡，分類準確率仍維持在99%以上。

緊湊架構同時帶來最高達10倍的推論延遲降低，以及約90%的功耗節省。BQP表示，工程師重新訓練模型的速度也大幅快於傳統機器學習系統。

上述效能優勢已在太空域感知TAP實驗室（Space Domain Awareness TAP Lab，前身為SDA TAP Lab）的NVIDIA Jetson Nano邊緣運算裝置上完成部署驗證，展示先進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。」

他指出，這項聯邦合約肯定了公司技術的價值，並提供機會展示量子啟發運算如何解決國家安全任務所面臨的作戰挑戰。

軍事任務以外的應用前景

軍事操作人員可運用此軟體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，可減少對集中式運算系統的依賴，並提升反應速度。

此計畫延伸了BQP先前與太空域感知TAP實驗室合作的成果。在2025年SDA Mini-Accelerator期間，BQP的技術展示了軌道分離偵測能力，並成為未來UCT分類及威脅模擬應用的候選方案，以支援美國太空作戰任務。

在國防領域以外，同一套軟體亦可應用於商業航太、自動駕駛車輛、工業監控等多個領域——凡是需要AI在小型低功耗運算平台上穩定運行的場景，皆具備潛在應用價值。

原文來源： 查看原文