[論文レビュー] A supervised hybrid quantum machine learning solution to the emergency escape routing problem

Nathan Haboury, Mo Kordzanganeh+7 more|arXiv (Cornell University)|Jul 28, 2023

Traffic Prediction and Management Techniques被引用数 10

ひとこと要約

本論文は、進化する地震影響都市グラフ上でノードごとのDijkstraルーティングを模倣するハイブリッド量子古典監督学習アプローチを提案し、純粋な古典モデルより高い精度を達成し、実用的な量子ハードウェア実行を実現する。

ABSTRACT

Managing the response to natural disasters effectively can considerably mitigate their devastating impact. This work explores the potential of using supervised hybrid quantum machine learning to optimize emergency evacuation plans for cars during natural disasters. The study focuses on earthquake emergencies and models the problem as a dynamic computational graph where an earthquake damages an area of a city. The residents seek to evacuate the city by reaching the exit points where traffic congestion occurs. The situation is modeled as a shortest-path problem on an uncertain and dynamically evolving map. We propose a novel hybrid supervised learning approach and test it on hypothetical situations on a concrete city graph. This approach uses a novel quantum feature-wise linear modulation (FiLM) neural network parallel to a classical FiLM network to imitate Dijkstra's node-wise shortest path algorithm on a deterministic dynamic graph. Adding the quantum neural network in parallel increases the overall model's expressivity by splitting the dataset's harmonic and non-harmonic features between the quantum and classical components. The hybrid supervised learning agent is trained on a dataset of Dijkstra's shortest paths and can successfully learn the navigation task. The hybrid quantum network improves over the purely classical supervised learning approach by 7% in accuracy. We show that the quantum part has a significant contribution of 45.(3)% to the prediction and that the network could be executed on an ion-based quantum computer. The results demonstrate the potential of supervised hybrid quantum machine learning in improving emergency evacuation planning during natural disasters.

研究の動機と目的

• ダイナミックな地震誘発の交通変化の下で最適化された緊急避難ルーティングを動機づける。
• ルーティング問題をダイナミックグラフとしてモデル化し、Dijkstraのアルゴリズムに導かれたノードごとの最短経路問題として再定式化する。
• 最短経路の決定を模倣するために、古典成分と量子成分を組み合わせたFiLMベースのハイブリッドアーキテクチャを開発する。
• 量子成分が推論に意味のある寄与をするかを評価し、イオンベースのQPUでのハードウェア実現性を評価する。）

提案手法

• 地震と交通の変化効果を組み込んだ動的加重グラフとして避難問題をモデル化する。
• Dijkstraのアルゴリズムからのラベル付きデータを用いて、ノードごとのDijkstraの決定を模倣するハイブリッド量子古典監視モデルを訓練する。
• 地震座標を条件付けるFiLMニューラルネットワークと、状態特徴を処理する並列量子ニューラルネットワーク（PHN）を用いる。
• 地震入力に対するデータ再アップロードを用いた7量子ビットの変分量子回路と、グラフ特徴のための5量子ビットのメイン回路を実装する。
• 次のノードを予測するために、量子出力と古典出力を最終の全結合層で結合する。
• 到着率と精度の指標で、ノードごとのDijkstraの結果と比較して評価する。

Figure 1: The mathematical abstraction of the emergency escape routing problem during an earthquake. The map of Furubira was investigated by converting it to a computational graph. Each node represents a crossroad where a decision on the direction is required. The three exit points on the map are ex

実験結果

リサーチクエスチョン

• RQ1 地震時の動的に変化する都市グラフ上で、ハイブリッド量子古典モデルがノードごとのDijkstraルーティングを模倣できるか？
• RQ2 緊急ルーティングタスクにおいて、量子成分は予測精度と経路品質に意味のある寄与をするか？
• RQ3 最新のイオンベース量子ハードウェアで短距離決定を行うのに sufficient な性能か？
• RQ4 進化する条件下で最短経路決定の学習を最大化する入力特徴とデータエンジニアリングの選択は何か？

主な発見

• HQNNは平均精度94%を達成し、古典ニューラルネットは87%であった。
• HQNNは到着率を高め、Dijkstraの結果と同等またはそれより速い経路をより多く得た。
• 量子部分は推論に意味のある寄与をし、最終層の相対的な量子寄与は0.45(3)である。
• このモデルは短経路の計算にはイオンベースの量子コンピュータで実行可能で、シミュレータ結果と定性的な一致を示す。
• ハイブリッドモデルは動的グラフ変化に対して頑健で、特定の進化する環境では古典を上回る。

Figure 2: The supervised learning approach to the emergency escape routing problem. The hybrid quantum neural network (HQNN) trains to imitate the node-wise Dijkstra’s algorithm.