[論文レビュー] Hybrid Quantum-Classical Neural Network for Incident Detection

Zadid Khan, Sakib Mahmud Khan+8 more|arXiv (Cornell University)|Aug 2, 2021

Traffic Prediction and Management Techniques被引用数 5

ひとこと要約

本論文では、4キュービットの量子層を古典的機械学習モデルと統合したハイブリッド量子古典ニューラルネットワークを提案し、コネクテッドビークル（CV）データを用いたリアルタイムインシデント検出の性能を向上させることを目的としている。十分なデータがある場合、モデルは98.9%のリCALLを達成し、データが少ない状況では古典モデル比で最大7.8%高いF2スコアを示し、学習データが限られた状況においても量子による性能向上を実証した。

ABSTRACT

The efficiency and reliability of real-time incident detection models directly impact the affected corridors' traffic safety and operational conditions. The recent emergence of cloud-based quantum computing infrastructure and innovations in noisy intermediate-scale quantum devices have revealed a new era of quantum-enhanced algorithms that can be leveraged to improve real-time incident detection accuracy. In this research, a hybrid machine learning model, which includes classical and quantum machine learning (ML) models, is developed to identify incidents using the connected vehicle (CV) data. The incident detection performance of the hybrid model is evaluated against baseline classical ML models. The framework is evaluated using data from a microsimulation tool for different incident scenarios. The results indicate that a hybrid neural network containing a 4-qubit quantum layer outperforms all other baseline models when there is a lack of training data. We have created three datasets; DS-1 with sufficient training data, and DS-2 and DS-3 with insufficient training data. The hybrid model achieves a recall of 98.9%, 98.3%, and 96.6% for DS-1, DS-2, and DS-3, respectively. For DS-2 and DS-3, the average improvement in F2-score (measures model's performance to correctly identify incidents) achieved by the hybrid model is 1.9% and 7.8%, respectively, compared to the classical models. It shows that with insufficient data, which may be common for CVs, the hybrid ML model will perform better than the classical models. With the continuing improvements of quantum computing infrastructure, the quantum ML models could be a promising alternative for CV-related applications when the available data is insufficient.

研究の動機と目的

• コネクテッドビークル（CV）インシデント検出システムにおけるデータ不足の課題に対処すること。
• データが限られた状況下でも、リアルタイムインシデント検出においてハイブリッド量子古典機械学習モデルの性能を評価すること。
• さまざまなデータ可用性レベルにおいて、ハイブリッドモデルの精度と頑健性を古典的機械学習ベースラインと比較すること。
• 近い将来のノイズの多い中規模量子（NISQ）デバイスが、交通セーフティ用途において果たせる可能性を調査すること。

提案手法

• 4キュービットの量子回路層を古典的ディープラーニングフレームワークに統合したハイブリッドニューラルネットワークアーキテクチャを設計した。
• 量子層は、CVデータから抽出された入力特徴を処理するためのパラメータ化された量子回路（PQC）を用い、量子強化された特徴表現を可能にした。
• 古典的層が量子処理済みの特徴を処理し、すべてのモデルが古典的最適化を用いた誤差逆伝播法によりエンドツーエンドで訓練された。
• 評価は、マイクロシミュレーションにより生成された3つのデータセット（DS-1：十分なデータ、DS-2およびDS-3：不足したデータ）を対象とした。
• 標準指標としてリCALL、F2スコア、および精度を用い、F2スコアはインシデント検出のリCALLを重視して測定した。
• 実世界に類似した交通シナリオを用いてモデルを訓練およびテストし、実用的導入条件を模擬した。

実験結果

リサーチクエスチョン

• RQ1 学習データが限られた状況において、ハイブリッド量子古典ニューラルネットワークが古典モデルを上回る性能を示せるか？
• RQ2 4キュービットの量子層の導入が、データが少ない状況下でのモデルのリCALLおよびF2スコアにどのように影響するか？
• RQ3 さまざまなデータ可用性レベルにおいて、ハイブリッドモデルと古典ベースラインとの間の性能ギャップは何か？
• RQ4 CVデータを用いたリアルタイム交通インシデント検出において、量子機械学習が測定可能な利点を提供するか？

主な発見

• DS-1（十分な学習データあり）において、ハイブリッドモデルは98.9%のリCALLを達成し、古典モデルを上回った。
• DS-2およびDS-3（学習データが不足）において、ハイブリッドモデルはそれぞれ98.3%および96.6%のリCALLを達成し、データ不足下でも頑健であることが示された。
• DS-2では平均F2スコアが1.9%向上、DS-3では7.8%向上し、古典モデル比で顕著な改善が確認された。これは、データが少ない状況下での顕著な利点を示している。
• わずか4キュービットの量子処理でも、量子強化モデルが一貫した性能向上を示した。これは、交通分野における近い将来の量子優位性の可能性を示唆している。
• 結果から、訓練データが限られる場合に、量子機械学習コンponentsがインシデント検出の信頼性を顕著に向上させられること、これはCVベースのシステムで一般的な課題であることが示された。