Jul, 2023
一个监督的混合量子机器学习应用于紧急逃生路径问题的解决方案
A supervised hybrid quantum machine learning solution to the emergency escape routing problem
Nathan Haboury, Mo Kordzanganeh, Sebastian Schmitt, Ayush Joshi, Igor Tokarev...
TL;DR采用监督混合量子机器学习优化自然灾害期间汽车紧急疏散计划的潜力研究。研究聚焦于地震紧急情况，将问题建模为一个动态计算图，其中地震会破坏城市的某个区域，居民试图通过到达交通堵塞的出口点来撤离城市。该研究提出了一种新颖的混合监督学习方法，并在具体城市图上对假设情景进行了测试。该方法使用一种新型的量子特征线性调制（FiLM）神经网络，并行于经典 FiLM 网络，以模仿确定动态图上的 Dijkstra 最短路径算法，从而增加了整个模型的表达能力。混合监督学习代理根据 Dijkstra 最短路径的数据集进行训练，能够成功学习导航任务。量子部分相对于纯经典监督学习方法提高了 7% 的准确性，并且该网络在预测中有 45.3% 的重要贡献度，可以在基于离子的量子计算机上执行。结果显示，监督混合量子机器学习有助于改善自然灾害期间的紧急疏散计划。