Quantum-geïnspireerde workflow voor het verwerken van gegevens van gedistribueerde glasvezelsensoren

Toezicht houden op verborgen infrastructuur

Veel systemen waarop we dagelijks vertrouwen, van zeekabels tot diepe olieputten, liggen buiten het zicht en zijn moeilijk te inspecteren. Een technologie genaamd gedistribueerde akoestische sensing verandert een eenvoudige glasvezelkabel in duizenden virtuele microfoons die langs deze constructies naar problemen kunnen luisteren. Het nadeel is dat dit voortdurende luisteren bergen data oplevert die zo groot zijn dat het opslaan en realtime analyseren ervan extreem duur wordt. Deze studie onderzoekt een nieuwe, ‘quantum-geïnspireerde’ manier om die datastromen te verkleinen en te verwerken, zodat ingenieurs kritieke infrastructuur beter kunnen volgen met gewone computers.

Luisteren met licht langs een kabel

Gedistribueerde akoestische sensing werkt door snelle pulsen laserlicht door een glasvezelkabel te sturen. Kleine onvolkomenheden in het glas verstrooien een deel van het licht terug naar het instrument. Wanneer de kabel uitrekt of trilt door beweging in de omgeving, verschuift het teruggekaatste licht iets. Door deze verschuivingen op veel punten langs de kabel duizenden keren per seconde te volgen, creëert het systeem een gedetailleerd beeld van hoe de grond, een pijpleiding of een putbuis beweegt. Een enkele kilometer kabel kan fungeren als een dichte lijn van sensoren, maar deze kracht heeft een prijs: zelfs een bescheiden installatie kan gemakkelijk meerdere terabytes aan data per dag genereren en daarmee opslag- en netwerkcapaciteit overbelasten.

Waarom eenvoudige compressie niet genoeg is

Onderzoekers hebben vele manieren geprobeerd om deze datastroom te beteugelen. Traditionele verliesloze compressie perst bestanden samen zonder cijfers te veranderen, maar vermindert de omvang meestal met minder dan de helft — veel te weinig. Agressievere “lossy” methoden gooien wat informatie weg om veel hogere compressie te bereiken. Een populaire aanpak zet de data bijvoorbeeld om in frequenties en gemiddeld de energie binnen gekozen banden. Dat bespaart veel ruimte maar vervaagt fijne details permanent, waardoor het onmogelijk wordt om de oorspronkelijke trillingen later volledig te reconstrueren. Daardoor moeten ingenieurs vaak kiezen tussen geld besparen op dataverwerking en het behouden van subtiele signalen die later belangrijk kunnen blijken.

Ideeën lenen uit de quantumfysica

De auteurs grijpen naar tensornetwerken, een wiskundig hulpmiddel ontwikkeld voor de quantumfysica, om een ander compromis te bieden. In plaats van elk afzonderlijk datapunt te bewaren, representeren tensornetwerken de data als een keten van kleinere blokken waarvan de interne verbindingen de belangrijkste patronen vastleggen. Veel natuurlijke signalen, waaronder die in vezelsensing, kunnen op deze manier nauwkeurig worden beschreven omdat hun complexiteit effectief laag is. In deze workflow wordt elke één-seconde-slice van de gedistribueerde akoestische sensingdata gevormd en gecomprimeerd tot een structuur die een tensortrain wordt genoemd, met een gecontroleerde benadering die vooral ruis wegknipt en sleutelkenmerken behoudt. Meerdere threads op een laptop kunnen verschillende stukken parallel verwerken en vervolgens de gecomprimeerde delen ‘aan elkaar naaien’, waardoor geheugenverbruik en uitvoeringstijd beheersbaar blijven.

Data verwerken zonder ze volledig uit te pakken

Een cruciaal voordeel van deze aanpak is dat belangrijke berekeningen direct in de gecomprimeerde vorm kunnen worden uitgevoerd. De studie richt zich op een veelvoorkomende taak: het extraheren van energie in specifieke frequentiebanden om gebeurtenissen zoals gas dat een put binnenstroomt te detecteren. Het team bouwt een tensornetwerkversie van de Fourier-transformatie, een standaardinstrument om van tijd naar frequentie te schakelen. Deze ‘quantum Fourier-transformatie’ operator werkt op de tensortrain zonder deze eerst terug naar volledige datagrootte uit te vouwen. Vervolgens introduceren ze quantum-frequentieband-extractie, die energie uit gekozen frequentiebereiken verzamelt door slechts de relevante delen van de gecomprimeerde structuur gedeeltelijk uit te vouwen. Dit weerspiegelt de traditionele workflow maar behoudt het grootste deel van de besparingen in opslag en rekenkracht.

Echte test in een diepe put

Om te zien hoe goed de methode presteert, passen de onderzoekers deze toe op veldexperimenten in een 1,5 kilometer diepe testput. Een vezelkabel geklemd aan de productiebuis registreerde trillingen terwijl stikstof onder verschillende stromingsomstandigheden werd geïnjecteerd. In vergelijking met de standaard frequentieband-extractie comprimeerde de quantum-geïnspireerde workflow de data met ongeveer 40 tot 60 keer, waardoor ruwe datasnelheden werden teruggebracht van tientallen megabytes per seconde tot ongeveer één. Ondanks deze drastische reductie bleven de verwerkte resultaten structureel vergelijkbaar met de conventionele methode, met overeenkomstratings hoog genoeg dat de belangrijke gassignalen duidelijk zichtbaar waren. Dankzij multithreaded stitching draaide de hele pijplijn op of nabij echte-time snelheid op een laptop.

Wat dit betekent voor de toekomst

Voor niet-specialisten is de belangrijkste boodschap dat het mogelijk kan zijn om enorme stromen sensorgegevens te ‘zippen’ tot veel kleinere pakketten terwijl je er toch mee kunt werken alsof ze volledig uitgepakt zijn. Deze quantum-geïnspireerde compressie maakt het voor ingenieurs goedkoper om lange periodes van gedistribueerde akoestische sensingdata op te slaan en te verzenden, en om ze te analyseren zonder te vertrouwen op krachtige computers vlakbij de sensoren. De studie toont aan dat ideeën uit de quantumfysica en geavanceerde wiskunde kunnen helpen de kloof te overbruggen tussen rijke sensortechnologieën en praktische, betaalbare bewaking van kritieke infrastructuur.

Bronvermelding: 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

Trefwoorden: gedistribueerde akoestische sensing, glasvezelbewaking, tensornetwerken, gegevenscompressie, quantum-geïnspireerde methoden