量子退火超参数分析在生产环境中用于最优传感器布置-计算机科学-机器学习-量子计算.pdf

量子退火超参数分析在生产环境中用于最优传感

器布置

NicoKraus,MarvinErdmann,AlexanderKuzmany,DanielPorawski,JonasStein

AqariosGmbH,Munich,Germany

BMWGroup,Munich,Germany

LMUMunich,Germany

摘要—为了提高汽车制造的效率，新生产的车辆可以自主地[5]。这可能会导致显著的成本节约，鉴于每个传感器的长

从生产线移动到分发区域。这需要传感器的最佳布置以确保全面期投资较高，并且提高传感器覆盖范围的分辨率——允许

覆盖同时最小化使用的传感器数量。由于其大规模性质，基础优检测较小的障碍物并增强自主导航。

化问题带来了计算挑战。目前，经典求解器依赖于启发式方法，

我们的工作可以作为进一步探索量子计算在各种情境

本对于大型实例通常会产生非最优解决方案，导致传感器分布不佳

译并增加运营成本。下优化传感器配置应用的基础，例如管理公共交通中的交

我们探索了可能在未来超越经典启发式算法的量子计算方叉口[6]。随着自动驾驶车辆的普及，先进的传感器部署优

中法。我们使用D-Wave实现了量子退火，将问题转化为具有独化策略对于确保密集和动态环境中的安全和运营效率将至

热编码和二进制编码的二次无约束二进制优化形式。对惩罚项和

1关重要。

v退火时间等超参数进行了优化，并与默认参数设置的结果进行了

4比较。本文对传感器配置优化领域的量子计算做出了若干重

8我们的结果表明，量子退火能够解决源自现实世界场景的实要贡献。首先，我们制定了一个问题模型，该模型捕捉了

5

6例。通过使用分解技术，我们能够进一步扩展问题规模，使其更优化问题的关键特征，与量子退火设备兼容，并且可以在

1.接近实际工业应用。通过这项工作，我们提供了关于量子退火参涉及多达4109个量子比特的场景中进行评估。其次，我们

7数化重要性的关键见解，展示了量子计算如何能够在硬件成熟后对量子退火超参数进行了全面分析，展示了如何通过调整

0为大规模优化问题带来成本效益。

5这些超参数可以显著提高从小型玩具问题到接近工业应用

2

:I.介绍的实际启发式场景中的性能。最后，我们强调了特定于问

v

i题的分解技术的有效性，展示了它们在提升大规模优化问

x量子计算代表了计算能力的一种变革性范式转变，为

r题解决方案质量方面的实用性。

a解决跨多个领域的问题提供了前所未有的潜力[1]。在其众

多应用中，当硬件成熟时，量子计算可以帮助更快、更好II.背景

地解决高度复杂和极其大规模的优化问题。

A.问题表述

本文评估了使用量子退火优化汽车生产环境中激光雷

达传感器的布置和配置以使车辆能够从生产线末端自主移传感器布置问题由一个二分图定义，其中每个潜在的

动到各自分配区域的潜力[2]。在这些环境中，车辆必须激光雷达传感器位置（）和街道点（