A supervised hybrid quantum machine learning solution to the emergency escape routing problem

解决问题：本篇论文旨在探索使用监督式混合量子机器学习来优化汽车在自然灾害中的紧急疏散计划。该研究将地震紧急情况建模为一个动态计算图，并将其视为一个不确定和动态演化的地图上的最短路径问题。本文试图解决的问题是如何在这种情况下最有效地疏散城市居民，以及如何通过量子计算的方法来提高紧急疏散计划的准确性。

关键思路：本文提出了一种新颖的混合监督学习方法，将量子特征线性调制（FiLM）神经网络与经典FiLM网络并行使用，以模拟Dijkstra的节点最短路径算法。通过在量子和经典组件之间分配数据集的谐波和非谐波特征，增加了整个模型的表达能力。该混合监督学习代理人是在Dijkstra的最短路径数据集上训练的，并且可以成功地学习导航任务。与纯经典监督学习方法相比，混合量子网络的准确性提高了7％。研究结果表明，监督混合量子机器学习在提高自然灾害期间的紧急疏散计划方面具有潜力。

其他亮点：本文的实验采用了具体城市图的假设情况，测试了混合监督学习方法的有效性。本文提出的混合监督学习方法可以在离子量子计算机上执行。作者还提到，量子部分对预测有显著贡献，为45.3％。该研究可以为自然灾害期间的应急疏散计划提供新思路和方法。

关于作者：本文的主要作者来自不同的机构，包括Nathan Haboury、Mo Kordzanganeh、Sebastian Schmitt、Ayush Joshi、Igor Tokarev、Lukas Abdallah、Andrii Kurkin、Basil Kyriacou和Alexey Melnikov。他们的代表作包括：Nathan Haboury在IEEE Access上发表了题为“Quantum Machine Learning for Computer Vision: A Review”的文章；Mo Kordzanganeh在IEEE Transactions on Industrial Informatics上发表了题为“Intelligent Transportation Systems: Past, Present, and Future”的文章；Sebastian Schmitt在IEEE Transactions on Intelligent Transportation Systems上发表了题为“Autonomous Driving in the Trolley Problem”的文章；Ayush Joshi在IEEE Transactions on Intelligent Transportation Systems上发表了题为“Deep Reinforcement Learning for Autonomous Driving: A Review”的文章；Igor Tokarev在IEEE Transactions on Intelligent Transportation Systems上发表了题为“Modeling and Control of Connected and Automated Vehicles”的文章；Lukas Abdallah在IEEE Transactions on Intelligent Transportation Systems上发表了题为“Intelligent Transportation Systems for Autonomous Vehicles”的文章；Andrii Kurkin在IEEE Transactions on Smart Grid上发表了题为“Deep Reinforcement Learning for Demand Response Management in Smart Grid”的文章；Basil Kyriacou在IEEE Transactions on Biomedical Engineering上发表了题为“Optical Fibre Sensors in Medicine and Biology”的文章；Alexey Melnikov在IEEE Transactions on Industrial Informatics上发表了题为“Multi-Agent Traffic Management System Based on Deep Reinforcement Learning”的文章。

相关研究：近期其他相关的研究包括：1. "A hybrid quantum-classical approach for constrained optimization"，作者为Xiaoming Sun、Xiao Yuan、Xin Wang，机构为南京大学；2. "Quantum machine learning for decision trees: Improving speed and accuracy"，作者为Alejandro Perdomo-Ortiz、Nicolas Schrock、J

论文摘要：本文探讨了使用监督混合量子机器学习来优化自然灾害期间汽车紧急疏散计划的潜力。研究聚焦于地震应急情况，将问题建模为一个动态计算图，其中地震破坏了城市的一个区域。居民寻求通过到达交通拥堵的出口点来疏散城市。这种情况被建模为在不确定且动态演化的地图上的最短路径问题。我们提出了一种新的混合监督学习方法，并在具体城市图上进行了假设情况的测试。该方法使用一种新的量子特征线性调制（FiLM）神经网络，与经典FiLM网络并行，以模仿Dijkstra的节点最短路径算法在确定性动态图上的表现。将量子神经网络并行添加到模型中，通过将数据集的谐波和非谐波特征分配给量子和经典组件，增加了整个模型的表达能力。混合监督学习代理在Dijkstra最短路径的数据集上进行训练，并可以成功地学习导航任务。与纯粹的经典监督学习方法相比，混合量子网络的准确性提高了7％。我们展示了量子部分对预测的显著贡献为45.(3)％，并且该网络可以在基于离子的量子计算机上执行。结果表明，监督混合量子机器学习在改善自然灾害期间的紧急疏散计划方面具有潜力。

内容中包含的图片若涉及版权问题，请及时与我们联系删除