[论文解读] 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 5

一句话总结

本文提出了一种混合量子-经典神经网络，将4量子比特的量子层与经典机器学习模型相结合，以增强使用车联网（CV）数据进行实时事件检测的性能。在数据充足的情况下，该模型实现了98.9%的召回率，在数据量较少的场景下，F2得分比经典模型最高高出7.8%，表明在训练数据有限时具有量子增强性能。

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.

研究动机与目标

• 为解决车联网（CV）事件检测系统中数据量不足的挑战。
• 评估混合量子-经典机器学习模型在数据稀缺条件下的实时事件检测性能。
• 在不同数据可用性水平下，对比混合模型与经典机器学习基线模型的准确性和鲁棒性。
• 探索近期含噪声的中等规模量子（NISQ）设备在交通安全管理应用中的潜力。

提出的方法

• 设计了一种混合神经网络架构，将4量子比特的量子电路层集成到经典深度学习框架中。
• 量子层使用参数化量子电路（PQCs）处理从CV数据中提取的输入特征，实现量子增强的特征表示。
• 经典层处理经量子处理后的特征，整个模型通过经典优化方法进行端到端反向传播训练。
• 该框架在三个数据集上进行评估：DS-1（数据充足）、DS-2和DS-3（数据不足），数据通过微观仿真生成。
• 性能通过标准指标进行衡量：召回率、F2得分和精确率，其中F2得分侧重于事件检测的召回率。
• 模型在模拟实际部署条件的真实世界类似交通场景中进行训练和测试。

实验结果

研究问题

• RQ1 当训练数据有限时，混合量子-经典神经网络是否能优于经典模型？
• RQ2 在低数据场景下，4量子比特量子层的引入如何影响模型的召回率和F2得分？
• RQ3 在不同数据可用性水平下，混合模型与经典基线模型之间的性能差距如何？
• RQ4 量子机器学习在使用CV数据进行实时交通事件检测中是否提供了可测量的优势？

主要发现

• 在DS-1（数据充足）上，混合模型实现了98.9%的召回率，优于经典模型。
• 在DS-2和DS-3（数据不足）上，混合模型分别实现了98.3%和96.6%的召回率，表现出在数据稀缺条件下的鲁棒性。
• 与经典模型相比，混合模型在DS-2上的平均F2得分提高了1.9%，在DS-3上提高了7.8%，凸显其在低数据场景下的优势。
• 即使仅有四个量子比特，量子增强模型也表现出一致的性能提升，表明其在交通应用中具备近期实现量子优势的潜力。
• 结果表明，当训练数据有限时（CV系统中常见问题），量子机器学习组件可显著提升事件检测的可靠性。