[논문 리뷰] Hybrid Quantum-Classical Neural Network for Incident Detection

Zadid Khan, Sakib Mahmud Khan외 8명|arXiv (Cornell University)|2021. 08. 02.

Traffic Prediction and Management Techniques인용 수 5

한 줄 요약

이 논문은 연결 차량(CV) 데이터를 사용하여 실시간 사고 감지 성능을 향상시키기 위해 4 큐비트 양자 레이어를 고전적 기계학습 모델과 통합한 하이브리드 양자-고전적 신경망을 제안한다. 충분한 데이터에서 모델은 98.9%의 리콜을 달성하고, 낮은 데이터 환경에서는 고전적 모델 대비 최대 7.8% 높은 F2-스코어를 기록하여 훈련 데이터가 제한된 경우에 양자 강화 성능을 입증한다.

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.

연구 동기 및 목표

• 연결 차량(CV) 사고 감지 시스템에서 낮은 데이터 가용성 문제를 해결하기 위해.
• 데이터가 부족한 조건에서 실시간 사고 감지에 하이브리드 양자-고전적 기계학습 모델의 성능을 평가하기 위해.
• 다양한 데이터 가용성 수준에서 하이브리드 모델의 정확도와 강건성과 고전적 기계학습 기준 모델 간의 비교를 위해.
• 근시적 노이지 인터미디에이트 스케일 양자(NISQ) 장치가 교통 안전 응용 분야에서 잠재적으로 기여할 수 있는지를 탐색하기 위해.

제안 방법

• 4 큐비트 양자 회로 레이어를 고전적 딥 러닝 프레임워크에 통합한 하이브리드 신경망 아키텍처를 설계하였다.
• 입력 특징은 CV 데이터에서 추출된 것으로, 파라미터화된 양자 회로(PQC)를 사용해 처리되어 양자 강화 특징 표현이 가능해진다.
• 고전적 레이어는 양자 처리된 특징을 처리하며, 전체 모델은 고전적 최적화를 사용한 역전파를 통해 엔드 투 엔드로 훈련된다.
• 프레임워크는 세 가지 데이터셋(DS-1: 충분한 데이터, DS-2 및 DS-3: 부족한 데이터)을 사용해 평가되었으며, 이는 마이크로시뮬레이션을 통해 생성되었다.
• 성능는 표준 지표인 리콜, F2-스코어, 정밀도로 측정되었으며, F2-스코어는 사고 감지 리콜에 초점을 맞추었다.
• 실제 도로 환경을 모의한 시나리오에서 모델을 훈련하고 테스트하여 실질적 구현 조건을 시뮬레이션하였다.

실험 결과

연구 질문

• RQ1 훈련 데이터가 제한된 경우 하이브리드 양자-고전적 신경망이 고전적 모델보다 사고 감지 성능에서 뛰어나게 되는가?
• RQ2 4 큐비트 양자 레이어의 통합이 낮은 데이터 환경에서 모델의 리콜과 F2-스코어에 어떤 영향을 미치는가?
• RQ3 다양한 데이터 가용성 수준에서 하이브리드 모델과 고전적 기준 모델 간의 성능 격차는 어떠한가?
• RQ4 CV 데이터를 활용한 실시간 교통 사고 감지에서 양자 기계학습이 측정 가능한 이점을 제공하는가?

주요 결과

• DS-1(충분한 훈련 데이터)에서 하이브리드 모델은 98.9%의 리콜을 달성하여 고전적 모델를 능가했다.
• DS-2 및 DS-3(부족한 훈련 데이터)에서 하이브리드 모델은 각각 98.3% 및 96.6%의 리콜을 기록하여 데이터 부족 상황에서도 강건함을 입증했다.
• DS-2에서는 평균 F2-스코어가 1.9% 향상되었고, DS-3에서는 7.8% 향상되어 고전적 모델 대비 낮은 데이터 환경에서의 우수성을 입증했다.
• 단지 네 개의 큐비트만으로도 양자 강화 모델이 일관된 성능 향상을 보였으며, 이는 교통 응용 분야에서 근시적 양자 우위의 잠재력을 시사한다.
• 결과적으로, 훈련 데이터가 제한된 경우에 양자 기계학습 구성 요소가 사고 감지 신뢰도를 크게 향상시킬 수 있으며, 이는 CV 기반 시스템에서 흔한 문제이다.