[논문 리뷰] Optimizing traffic flow using quantum annealing and classical machine learning

Florian Neukart, G. Compostella외 4명|arXiv (Cornell University)|2017. 08. 04.

Quantum Computing Algorithms and Architecture인용 수 1

한 줄 요약

이 논문은 밀도 높은 도로망에서 실시간 교통 흐름을 최적화하기 위해 양자 분산 하드웨어에 교통 재분배 문제를 매핑하는 하이브리드 양자-고전적 접근법을 제안한다. D-Wave의 양자 처리 장치와 고전적 기계학습을 활용하여, 큐비트 수와 연결성의 하드웨어 제약에도 불구하고 효율적이고 시간에 민감한 최적화를 달성한다. 이는 대규모 도시 교통 관리에 양자 기반 솔루션이 실현 가능함을 보여준다.

ABSTRACT

Quantum annealing algorithms belong to the class of meta-heuristic tools, applicable for solving binary optimization problems. Hardware implementations of quantum annealing, such as the quantum processing units (QPUs) produced by D-Wave Systems, have been subject to multiple analyses in research, with the aim of characterizing the technology's usefulness for optimization and sampling tasks. In this paper, we present a real-world application that uses quantum technologies. Specifically, we show how to map certain parts of the real-world traffic flow optimization problem to be suitable for quantum annealing. We show that time-critical optimization tasks, such as continuous redistribution of position data for cars in dense road networks, are suitable candidates for quantum applications. Due to the limited size and connectivity of current-generation D-Wave QPUs, we use a hybrid quantum and classical approach to solve the traffic flow problem.

연구 동기 및 목표

• 실세계 교통 흐름 최적화 문제에 양자 분산의 적용 가능성을 조사하기 위해.
• 큐비트 수와 연결성의 제한이 있는 현재의 D-Wave 양자 처리 장치의 한계를 하이브리드 양자-고전적 프레임워크를 통해 해결하기 위해.
• 양자 기반 최적화를 사용하여 동적 도로망에서 차량 위치 데이터의 시간에 민감한 재분배를 가능하게 하기 위해.
• 양자 분산이 실생활 도시 이동 응용 프로그램에 고전적 기계학습과 효과적으로 통합될 수 있음을 입증하기 위해.

제안 방법

• 양자 분산에 적합한 이진 제곱 최적화 공식화에 교통 흐름 최적화 문제를 매핑하기 위해.
• D-Wave의 양자 처리 장치(QPU)를 사용하여 양자 분산을 통해 이진 최적화 문제를 해결하기 위해.
• 하드웨어 제약을 극복하기 위해 양자 처리와 고전적 기계학습을 융합한 하이브리드 접근법을 구현하기 위해.
• 확장성과 정확도를 향상시키기 위해 고전적 알고리즘을 사용해 데이터를 사전 및 사후 처리하기 위해.
• 고전적 모델을 사용해 문제 공식화를 반복적으로 개선하고, 양자 하드웨어에서의 해 품질을 향상시키기 위해.
• 실시간 차량 위치 데이터를 최적화 파이프라인에 통합하여 동적이고 지속적인 업데이트를 가능하게 하기 위해.

실험 결과

연구 질문

• RQ1 밀도 높은 도로망에서 실세계 교통 흐름 최적화에 양자 분산을 효과적으로 적용할 수 있는가?
• RQ2 큐비트 수와 연결성 등의 제약이 있는 현재의 D-Wave QPU에서 실용적 응용에서 이러한 한계를 어떻게 완화할 수 있는가?
• RQ3 시간에 민감한 교통 최적화에서 순수 고전적 방법과 비교해 볼 때 하이브리드 양자-고전적 접근법의 성능은 어떠한가?
• RQ4 양자 분산은 도시 교통 시스템에서 차량 위치 재분배의 동적이고 실시간적인 특성을 얼마나 잘 처리할 수 있는가?

주요 결과

• 하이브리드 양자-고전적 프레임워크는 현재 세대의 D-Wave QPU에서 교통 흐름 최적화 문제를 성공적으로 매핑하고 해결한다.
• 양자 분산은 시간에 민감한 교통 시나리오에서 복잡한 해 공간을 효율적으로 탐색할 수 있다.
• 고전적 기계학습의 통합은 순수한 양자 하드웨어의 제약을 초월해 해 품질과 확장성을 향상시킨다.
• 이 방법은 도시 교통 관리 시스템에 실생활 구현 가능성을 보여준다.
• 하드웨어 제약에도 불구하고, 이 방법은 동적 교통 데이터 재분배 작업에서 경쟁적인 성능을 달성한다.