[논문 리뷰] A supervised hybrid quantum machine learning solution to the emergency escape routing problem

Nathan Haboury, Mo Kordzanganeh외 7명|arXiv (Cornell University)|2023. 07. 28.

Traffic Prediction and Management Techniques인용 수 10

한 줄 요약

논문은 진화하는 지진 영향 도시 그래프에서 노드별 Dijkstra의 라우팅을 모방하기 위한 하이브리드 양자-고전 슈퍼바이즈드 러닝 접근법을 제시하며, 순수 클래식 모델보다 더 높은 정확도와 실제 양자 하드웨어 실행 가능성을 보인다.

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.

연구 동기 및 목표

• 动态지진 유발 교통 변화 하에서 최적화된 긴급 대피 라우팅 동기 부여.
• 라우팅 문제를 동적 그래프로 모델링하고 다익스트라 알고리즘으로 안내되는 노드별 최단 경로 작업으로 재정의.
• 최단 경로 의사결정을 모방하기 위해 고전 및 양자 구성요소를 결합한 FiLM 기반 하이브리드 아키텍처 개발.
• 양자 구성요소가 추론에 의미 있게 기여하는지 평가하고 이온 기반 QPU에서의 하드웨어 가능성 평가

제안 방법

• 대응 지진 및 교통 영향이 진화하는 동적 가중 그래프로 대피 문제를 모델링한다.
• 다익스트라 알고리즘의 라벨 데이터로 노드별 다익스트라 의사결정을 모방하도록 하이브리드 양자-고전 감독 모델을 학습한다.
• FiLM 신경망을 사용하여 지진 좌표에 조건을 부여하고 상태 특징을 처리하는 병렬 양자 신경망(PHN)을 활용한다.
• 데이터 재업로딩이 가능한 7-큐빗 가변 양자 회로를 지진 입력에 대해 구현하고 그래프 특징에는 5-큐빗 메인 회로를 사용한다.
• 양자와 고전 출력을 최종 완전 연결층으로 결합하여 다음 노드를 예측한다.
• 도착률 및 정확도와 같은 지표를 다익스트라 알고리즘의 결과와 대조 평가한다.

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

실험 결과

연구 질문

• RQ1 동적으로 변화하는 도시 그래프에서 지진 상황 중 하이브리드 양자-고전 모델이 노드별 다익스트라 라우팅을 모방할 수 있는가?
• RQ2 양자 구성요소가 긴급 라우팅 작업에서 예측 정확도와 경로 품질에 의미 있게 기여하는가?
• RQ3 현대 이온 기반 하드웨어에서 짧은 경로 결정을 위한 하이브리드 모델의 성능이 충분히 우수한가?
• RQ4 진화하는 조건 하에서 최단 경로 의사결정을 최대한 학습하도록 입력 특징과 데이터 엔지니어링 선택은 무엇인가?

주요 결과

• HQNN이 평균 정확도 94%를 달성하는 반면 고전 신경망은 87%를 기록했다.
• HQNN이 도착률이 더 높고 다익스트라 결과와 같거나 더 빠른 경로를 더 많이 생성한다.
• 양자 부분은 최종 계층에서 상대적 양자 기여도 0.45(3)로 추론에 의미 있게 기여한다.
• 양자 기반 컴퓨터에서 짧은 경로를 위한 실행이 가능하며 시뮬레이터 결과와 질적으로 일치한다.
• 하이브리드 모델은 동적 그래프 변화에 대한 강건성을 보이며 특정 진화 환경에서 고전에 비해 우수한 성능을 발휘할 수 있다.

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.