一种用于应急逃生路径规划问题的监督式混合量子机器学习方案

有效管理自然灾害的应急响应可大幅减轻其破坏性影响。本工作探索利用监督式混合量子机器学习优化自然灾害期间车辆应急疏散方案的可能性。研究聚焦于地震紧急情况，并将该问题建模为一个动态计算图：地震破坏城市某一区域，居民试图通过到达发生交通拥堵的出口点来撤离城市。该情形被建模为不确定且动态演化地图上的最短路径问题。我们提出一种新颖的混合监督学习方法，并在具体城市图上的假设情景中进行测试。该方法使用一种新颖的量子特征线性调制（FiLM）神经网络与经典 FiLM 网络并行，以在确定性动态图上模仿 Dijkstra 的逐节点最短路径算法。并行加入量子神经网络通过将数据集的调和与非调和特征分配给量子与经典组件，提升了整体模型的表达能力。该混合监督学习智能体在 Dijkstra 最短路径数据集上训练，并成功学习了导航任务。混合量子网络在准确率上比纯经典监督学习方法提升 7%。我们表明量子部分的预测贡献显著，达 45.(3)%，且该网络可在基于离子的量子计算机上执行。结果展示了监督式混合量子机器学习在改善自然灾害期间应急疏散规划方面的潜力。