用于事件检测的混合量子-经典神经网络
机器学习
2021-08-04 v1 系统与控制
系统与控制
量子物理
摘要
实时事件检测模型的效率和可靠性直接影响受影响走廊的交通安全和运行状况。近期基于云的量子计算基础设施的出现以及含噪声中等规模量子设备的创新，揭示了一个量子增强算法的新时代，可用于提高实时事件检测的准确性。在本研究中，开发了一种包含经典和量子机器学习（ML）模型的混合机器学习模型，以利用网联车（CV）数据识别事件。该混合模型的事件检测性能与基线经典 ML 模型进行了评估。该框架使用来自微观仿真工具的数据针对不同事件场景进行了评估。结果表明，在缺乏训练数据的情况下，包含 4 量子比特量子层的混合神经网络优于所有其他基线模型。我们创建了三个数据集：DS-1 具有充足的训练数据，DS-2 和 DS-3 训练数据不足。该混合模型对 DS-1、DS-2 和 DS-3 分别实现了 98.9%、98.3% 和 96.6% 的召回率。对于 DS-2 和 DS-3，与经典模型相比，混合模型在 F2 分数（衡量模型正确识别事件的性能）上实现的平均提升分别为 1.9% 和 7.8%。这表明，在数据不足的情况下（这对于 CV 可能很常见），混合 ML 模型将比经典模型表现更好。随着量子计算基础设施的持续改进，当可用数据不足时，量子 ML 模型可能成为 CV 相关应用的一个有前景的替代方案。
引用
@article{arxiv.2108.01127,
title = {Hybrid Quantum-Classical Neural Network for Incident Detection},
author = {Zadid Khan and Sakib Mahmud Khan and Jean Michel Tine and Ayse Turhan Comert and Diamon Rice and Gurcan Comert and Dimitra Michalaka and Judith Mwakalonge and Reek Majumdar and Mashrur Chowdhury},
journal= {arXiv preprint arXiv:2108.01127},
year = {2021}
}
备注
14 pages, 10 figures