告别拥堵？Q-CTRL将用于交通优化的量子算法性能提高20倍
交通行业的很多问题对于经典计算机来说太过复杂。最近，澳大利亚领先的量子技术公司Q-CTRL和澳大利亚英联邦科学与工业研究组织（CSIRO）的研究人员引入了一个新的框架，用于评估哪些交通优化问题使用量子算法能够更好地解决。结果表明，使用他们的Fire Opal软件，将用于交通优化的量子算法性能提高了20倍以上。
研究成果以《用于交通优化的量子计算》[2]为题在arXiv上公开。
经过一系列评估，研究人员表示，最适合量子计算的问题应该是那些对于经典计算机来说过于复杂的问题，它们与量子算法兼容并表现出高的资源效率。
交通行业中的优化问题包括路由、调度、分配和排班等，这些组合优化问题对于经典计算机来说很难解决。从理论上讲，量子计算机能够更好地处理这些问题。
如下图所示，他们还建立了一个工作流(workflow)用于解决这些类型的问题，并指出可能适用于当前商业量子计算系统的新工具[1]。
量子解决方案堆栈和相关专业知识。上图概述了使用量子计算机从一个给定的运输问题到高质量解决方案的程序，专家将量子技术整合到运输工作流程中，量子技术在堆栈的所有层面都在积极发展。一层的进展应该为其他层的设计提供参考；一个整合良好的堆栈可以确保在量子硬件上更快地解决更大规模的问题，并且通过降低噪音和错误将性能下降降到最低。
为了验证他们的想法，该团队遵循他们的框架和工作流，最终选择有能力约束的车辆路径调度问题（CVRP）——“如果你在市内多个体育赛事中为接送孩子和他们的朋友的后勤问题而苦恼，或者为一群喝醉的朋友充当指定司机，这些朋友都要求先把他们送回家，那么你就有了这样一个基本想法：CVRP问题的核心是找到在不同地点使用显然承载能力有限的车辆来接送人或物的最佳路径”，作为实验的潜在用例。
7辆车的CVRP的标准单次映射和Q-CTRL二进制映射资源需求，最多20名乘客/车。以及不同的乘客数对应的CVPR所需的量子比特数。根据IBM路线图，到2023年达到1000多量子比特时，采用Q-CTRL的方法可以解决100多名乘客的CVPR问题，而标准单次映射方法一直不超过20名乘客。
量子近似优化算法（QAOA）被广泛地设计用来为组合优化问题提供高质量的近似解，它的一些变体和实现有可能在广泛的应用领域中提供量子优势。它被认为是Grover量子搜索框架的泛化，旨在通过有效地获得更理想的组合优化问题的近似解，以兼容当代硬件限制的方式提供量子优势。
QAOA量子电路，用于解决任何涉及一个停车场（depot）和两个乘客（passenger）节点的TSP实例，使用二进制编码和一个定制设计的难混合器（hard mixers）。
Q-CTRL表示，QAOA特别适合应对交通挑战。在此示例问题中，研究人员使用Q-CTRL的Fire Opal软件来处理真实硬件上电路部署的每个元素，并在IBM的一台7量子比特量子计算机上获得正确的路由结果时实现了97%的电路性能，与其他方法相比，性能提高了20倍以上。
不同算法实现的QAOA电路性能。（a）优化计算后最终量子电路的性能；（b）相对于标准算法实现的电路错误减少。
这些结果表明，即使对于小规模的问题，适当的问题实现和执行也可以显著提高算法问题的成功率，这可以与问题规模相结合。
这项研究的一个更大的好处是，它显示了使用量子计算机来解决现实世界的挑战——这些挑战对于普通计算机来说太困难了，这通常被称为“量子优势”。
目前，量子计算机在解决某些问题的理论上更加强大，找到并为所有问题提供解决方案将有利于整个量子产业的发展。
参考链接：
[1]https://thequantuminsider.com/2022/06/23/q-ctrl-study-might-pave-the-road-toward-quantum-advantage-in-transportation-industry/
[2]https://arxiv.org/ftp/arxiv/papers/2206/2206.07313.pdf