Quantum algorithm for satellite data processing (Master thesis)

Λαδόπουλος, Δημήτριος Αλέξανδρος/ Ladopoulos, Dimitrios Alexandros/ Quantum Computing and Quantum Technologies/ Κβαντική Υπολογιστική και Κβαντικές Τεχνολογίες

Full metadata record
DC FieldValueLanguage
dc.contributor.authorΛαδόπουλος, Δημήτριος Αλέξανδροςel
dc.contributor.authorLadopoulos, Dimitrios Alexandrosen
dc.date.accessioned2026-10-30T08:25:35Z-
dc.date.available2026-10-30T08:25:35Z-
dc.identifier.urihttps://repo.lib.duth.gr/jspui/handle/123456789/23314-
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectMέθοδοι κβαντικών πυρήνωνel
dc.subjectXαρτογράφηση πλημμυρώνel
dc.subjectΡαντάρ συνθετικού ανοίγματοςel
dc.subjectQuantum kernel methodsen
dc.subjectFlood mappingen
dc.subjectSynthetic Aperture Radaren
dc.subjectSARen
dc.titleQuantum algorithm for satellite data processingen
heal.typemasterThesis-
heal.generalDescriptionΒιβλιογραφία: σ. 108-113el
heal.classificationQuantum computingen
heal.dateAvailable2026-10-30T08:26:35Z-
heal.languageen-
heal.accessfree-
heal.recordProviderΔημοκρίτειο Πανεπιστήμιο Θράκης. Πολυτεχνική Σχολή. Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
heal.publicationDate2026-10-07-
heal.abstractΟι πλημμύρες συγκαταλέγονται στους πιο καταστροφικούς φυσικούς κινδύνους, και το ραντάρ συνθετικού ανοίγματος (Synthetic Aperture Radar, SAR) αποτελεί το κύριο εργαλείο για τη χαρτογράφησή τους, καθώς λαμβάνει εικόνες μέσα από τη νεφοκάλυψη και στο σκοτάδι. Ταυτόχρονα, η κβαντική μηχανική μάθηση έχει θέσει το ερώτημα αν οι μέθοδοι κβαντικών πυρήνων (quantum kernel methods) μπορούν να βελτιώσουν τις κλασικές σε εργασίες αυτού του είδους. Η παρούσα διπλωματική εργασία συνδυάζει τα δύο πεδία και θέτει ένα άμεσο ερώτημα: σε ένα πραγματικό πρόβλημα χαρτογράφησης πλημμυρών με δεδομένα SAR, μπορούν οι μέθοδοι κβαντικών πυρήνων να φτάσουν ή να ξεπεράσουν ένα ισχυρό κλασικό μοντέλο αναφοράς, και αν όχι, γιατί; Για να απαντηθεί το ερώτημα, συλλέχθηκαν και επεξεργάστηκαν εικόνες SAR του Sentinel-1 από την πλημμύρα που προκάλεσε η κακοκαιρία Daniel στη Θεσσαλία το 2023. Ως κλασικό μοντέλο αναφοράς χρησιμοποιήθηκε ένας πυρήνας συνάρτησης ακτινικής βάσης (Radial Basis Function, RBF). Τρεις κβαντικοί πυρήνες, προερχόμενοι από προηγούμενη εργασία σε δεδομένα SAR, υπολογίστηκαν μέσω προσομοίωσης και χρησιμοποιήθηκαν στην ίδια μηχανή διανυσμάτων υποστήριξης (Support Vector Machine, SVM), ώστε οποιαδήποτε διαφορά στην απόδοση να οφείλεται αποκλειστικά στον πυρήνα. Κανένας κβαντικός πυρήνας δεν ξεπέρασε το κλασικό μοντέλο αναφοράς. Ο πυρήνας Ry1DSt εξίσωσε την απόδοσή του, ενώ οι πυρήνες ZZFeatureMap και ο προβαλλόμενος (projected) πυρήνας είχαν σημαντικά χειρότερη απόδοση. Οι διαγνωστικές αναλύσεις εξήγησαν αυτό το μοτίβο: οι πυρήνες που απομακρύνθηκαν περισσότερο από τον κλασικό είχαν τη χειρότερη απόδοση, και όχι την καλύτερη. Οι πυρήνες ZZFeatureMap κατέρρευσαν λόγω εκθετικής συγκέντρωσης (exponential concentration), ενώ ο προβαλλόμενος πυρήνας έχασε την πληροφορία που ήταν κρίσιμη για το πρόβλημα. Ο πυρήνας Ry1DSt πέτυχε ακριβώς επειδή παρέμεινε κοντά στην κλασική συμπεριφορά. Το κύριο συμπέρασμα είναι ότι, για το συγκεκριμένο πρόβλημα, τα δεδομένα διαχωρίζονται ήδη καλά με κλασικά μέσα, οπότε δεν υπάρχει περιθώριο να βοηθήσει ένας κβαντικός πυρήνας. Η συμβολή της εργασίας δεν είναι η επίδειξη κβαντικού πλεονεκτήματος, αλλά η εξήγηση της απουσίας του: μια σαφής, διαγνωστική ερμηνεία του γιατί οι συγκεκριμένοι κβαντικοί πυρήνες πετυχαίνουν ή αποτυγχάνουν σε πραγματικά δεδομένα SAR, συνεπής με την πρόσφατη θεωρία και με τη μοναδική προηγούμενη μελέτη σε δεδομένα SAR.el
heal.abstractFloods are among the most damaging natural hazards, and synthetic aperture radar (SAR) is the primary tool for mapping them, because it images through cloud and in darkness. At the same time, quantum machine learning has raised the question of whether quantum kernel methods can improve on classical ones for tasks of this kind. This thesis brings the two together and asks a direct question: on a real SAR floodmapping task, can quantum kernel methods match or outperform a strong classical baseline, and if not, why not? To answer it, Sentinel-1 SAR imagery of the 2023 Storm Daniel flood in Thessaly was acquired and processed. A classical radial basis function (RBF) kernel was used as a baseline, and three quantum kernels taken from earlier work on SAR, were computed by simulation and used inside the same support vector machine, so that any difference in performance came from the kernel alone. No quantum kernel outperformed the classical baseline. The Ry1DSt kernel matched it, the ZZFeatureMap and projected kernels performed significantly worse. Different diagnostic analysis explained this pattern: the kernels that departed most from the classical one performed worst, rather than best. The ZZFeatureMap kernels collapsed through exponential concentration, and the projected kernel lost the information that mattered for the task. The Ry1DSt kernel succeeded precisely because it stayed close to classical behaviour. The main conclusion is that, for this task, the data is already well separated by classical means, so there is no room for a quantum kernel to help. The contribution of the thesis is not a quantum advantage but an explanation of its absence: a clear, diagnostic account of why these quantum kernels succeed or fail on real SAR data, consistent with recent theory and with the one previous study on SAR.en
heal.advisorNameΚαραφυλλίδης, Ιωάννηςel
heal.committeeMemberNameΚαραφυλλίδης, Ιωάννηςel
heal.committeeMemberNameΖωηρός, Κυριάκοςel
heal.committeeMemberNameΔημητρακόπουλος, Γεώργιοςel
heal.committeeMemberNameKarafyllidis, Ioannisen
heal.committeeMemberNameZoiros, Kyriakosen
heal.committeeMemberNameDimitrakopoulos, Giorgosen
heal.academicPublisherΤμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρονικής και Τεχνολογίας Συστημάτων Πληροφορικήςel
heal.academicPublisherIDduth-
heal.numberOfPages125 σ.-
heal.fullTextAvailabilitytrue-
heal.type.enMaster thesisen
heal.type.elΜεταπτυχιακή εργασίαel
dc.contributor.masterQuantum Computing and Quantum Technologiesen
dc.contributor.masterΚβαντική Υπολογιστική και Κβαντικές Τεχνολογίεςel
Appears in Collections:ΜΕΤΑΠΤΥΧΙΑΚΕΣ ΕΡΓΑΣΙΕΣ ΕΙΔΙΚΕΥΣΗΣ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ-ΜΕ

Files in This Item:
File Description SizeFormat 
LadopoulosDA_2026.pdfΜεταπτυχιακή εργασία5.64 MBAdobe PDFView/Open


 Please use this identifier to cite or link to this item:
https://repo.lib.duth.gr/jspui/handle/123456789/23314
http://dx.doi.org/10.26257/heal.duth.21984
  This item is a favorite for 0 people.

This item is licensed under a Creative Commons License Creative Commons