Quanteninspirierter Arbeitsablauf zur Verarbeitung verteilter faseroptischer Sensordaten

Die Infrastruktur im Blick behalten

Viele Systeme, auf die wir täglich angewiesen sind — von Seekabeln bis zu tiefen Bohrlöchern — liegen außer Sicht und sind schwer zu inspizieren. Eine Technik namens Distributed Acoustic Sensing verwandelt ein einfaches faseroptisches Kabel in tausende virtuelle Mikrofone, die entlang solcher Strukturen nach Problemen lauschen können. Der Haken ist, dass dieses permanente Abtasten riesige Datenmengen erzeugt, so groß, dass Speicherung und Echtzeitanalyse teuer und oft unpraktisch werden. Diese Studie untersucht einen neuen, „quenteninspirierten“ Ansatz, um diese Datenströme zu verkleinern und zu verarbeiten, sodass Ingenieure kritische Infrastruktur mit gewöhnlichen Rechnern besser überwachen können.

Mit Licht entlang eines Kabels zuhören

Distributed Acoustic Sensing funktioniert, indem schnelle Laserpulse durch ein faseroptisches Kabel geschickt werden. Kleine Unregelmäßigkeiten im Glas streuen einen Teil des Lichts zurück zum Messgerät. Wenn sich das Kabel aufgrund von Bewegungen in der Umgebung dehnt oder vibriert, verschieben sich die zurückkehrenden Lichtsignale leicht. Durch das Verfolgen dieser Verschiebungen an vielen Punkten entlang des Kabels, tausendfach pro Sekunde, entsteht ein detailliertes Bild davon, wie sich Boden, Pipeline oder Bohrloch bewegen. Ein einzelner Kilometer Kabel kann wie eine dichte Sensorlinie wirken, aber diese Leistungsdichte hat ihren Preis: Selbst eine mäßige Installation kann leicht mehrere Terabyte Daten pro Tag erzeugen und damit Speicher- und Netzkapazitäten überlasten.

Warum einfache Kompression nicht ausreicht

Forscher haben viele Wege versucht, diese Datenflut zu zähmen. Traditionelle verlustfreie Kompression drückt Dateien, ohne Zahlen zu verändern, reduziert die Größe aber typischerweise weniger als um die Hälfte — weit entfernt von dem, was nötig wäre. Aggressivere „verlustbehaftete“ Methoden werfen Teile der Information weg, um deutlich höhere Kompression zu erreichen. Ein verbreiteter Ansatz wandelt die Daten in Frequenzen um und mittelt die Energie innerhalb gewählter Bänder. Das spart viel Platz, verwischt aber dauerhaft feine Details, so dass eine vollständige Rekonstruktion der ursprünglichen Vibrationen später unmöglich wird. In der Folge müssen Ingenieure oft zwischen geringeren Kosten für Datenverwaltung und dem Erhalt subtiler Signale entscheiden, die für spätere Analysen wichtig sein könnten.

Ideen aus der Quantenphysik übernehmen

Die Autorinnen und Autoren greifen auf Tensor-Netzwerke zurück, ein mathematisches Werkzeug aus der Quantenphysik, das ein anderes Kosten-Nutzen-Verhältnis bietet. Statt jeden einzelnen Datenpunkt aufzubewahren, repräsentieren Tensor-Netzwerke die Daten als Kette kleinerer Blöcke, deren interne Verknüpfungen die wichtigsten Muster erfassen. Viele natürliche Signale, auch solche in der Fasersensorik, lassen sich auf diese Weise präzise beschreiben, weil ihre effektive Komplexität gering ist. In diesem Ablauf wird jeder einsekündige Abschnitt der Distributed-Acoustic-Sensing-Daten umgeformt und in eine Struktur namens Tensor-Train komprimiert, wobei eine kontrollierte Approximation überwiegend Rauschen entfernt und zugleich zentrale Merkmale behält. Mehrere Threads auf einem Laptop können verschiedene Abschnitte parallel verarbeiten und die komprimierten Stücke anschließend „zusammenfügen“, wodurch Speicherbedarf und Laufzeit kontrollierbar bleiben.

Daten verarbeiten, ohne sie vollständig zu entpacken

Ein entscheidender Vorteil dieses Ansatzes ist, dass wichtige Berechnungen direkt in der komprimierten Form durchgeführt werden können. Die Studie konzentriert sich auf eine gängige Aufgabe: die Extraktion von Energie in bestimmten Frequenzbändern, um Ereignisse wie das Eindringen von Gas in ein Bohrloch zu erkennen. Das Team entwickelt eine Tensor-Netzwerk-Version der Fourier-Transformation, ein Standardwerkzeug zum Wechsel zwischen Zeit- und Frequenzbereich. Dieser „quantum Fourier transform“-Operator wirkt direkt auf den Tensor-Train, ohne ihn vorher auf die volle Datengröße auszudehnen. Anschließend führen sie eine quanteninspirierte Frequenzband-Extraktion ein, die Energie aus gewählten Frequenzbereichen sammelt, indem nur die relevanten Teile der komprimierten Struktur teilweise erweitert werden. Das spiegelt den traditionellen Arbeitsablauf wider, erhält jedoch den Großteil der Einsparungen bei Speicher und Rechenaufwand.

Feldtest in einem tiefen Bohrloch

Um die Leistungsfähigkeit der Methode zu prüfen, wenden die Forschenden sie in Feldexperimenten in einem 1,5 Kilometer tiefen Testbohrloch an. Ein am Förderrohr befestigtes Glasfaserkabel zeichnete Vibrationen auf, während unter verschiedenen Flussbedingungen Stickstoffgas injiziert wurde. Im Vergleich zur standardmäßigen Frequenzband-Extraktion komprimierte der quanteninspirierte Ablauf die Daten um etwa den Faktor 40 bis 60 und reduzierte damit die Rohdatenrate von zehn- bis hundert Megabyte pro Sekunde auf circa ein Megabyte pro Sekunde. Trotz dieser drastischen Reduktion blieben die verarbeiteten Ergebnisse strukturell der konventionellen Methode ähnlich, mit ausreichend hohen Ähnlichkeitswerten, sodass die wichtigsten Gassignale deutlich sichtbar waren. Dank multithreaded stitching lief die gesamte Pipeline auf einem Laptop in Echtzeit oder nahe Echtzeit.

Was das für die Zukunft bedeutet

Für Nicht-Spezialisten ist die Kernbotschaft, dass sich riesige Sensordatenströme vermutlich in deutlich kleinere Pakete »zippen« lassen, ohne die Arbeit damit so zu erschweren, als wären sie vollständig entpackt. Diese quanteninspirierte Kompression ermöglicht es Ingenieuren, lange Abschnitte von Distributed-Acoustic-Sensing-Daten kostengünstiger zu speichern und zu übertragen und sie zu analysieren, ohne leistungsstarke Rechner direkt neben den Sensoren zu benötigen. Die Studie zeigt, dass Ideen aus der Quantenphysik und moderner Mathematik helfen können, die Lücke zwischen leistungsfähigen Sensortechnologien und praktischer, erschwinglicher Überwachung kritischer Infrastrukturen zu schließen.

Zitation: Gemeinhardt, H., Sharma, J. & Kastoryano, M. Quantum-inspired workflow for processing distributed fiber-optic sensor data. Sci Rep 16, 14972 (2026). https://doi.org/10.1038/s41598-026-42453-8

Schlüsselwörter: distributed acoustic sensing, fiber optic monitoring, tensor networks, data compression, quantum-inspired methods