EXPLORING QUANTUM COMPUTING POTENTIALS IN SOLVING A COMBINATORIAL OPTIMIZATION PROBLEM TO MINIMIZE EXPOSURE TO COVID-19 DURING A CITY JOURNEY
Notice bibliographique
Résumé
Abstract. COVID-19 is an airborne virus that can be spread directly or indirectly from one person to another. Spreading the virus strongly depends on the location and time and hence, a Spatio-temporal event. Moreover, traffic congestion will increase the spread of the virus not only because of the vicinity but also because of increased temperature and humidity in these spaces for a short or long time. This paper introduces a vehicle routing optimization model to reduce COVID-19 exposure risk during a city journey by solving it as a quadratic unconstrained binary optimization problem on a quantum annealing computer. Indeed, the objective of the COVID-19 prevention optimization problem is to minimize the risk of exposure for a given set of road users between origins and destinations. Microsoft Taxi data from the city of Beijing have been used to simulate road users’ movement. The problem has been run onto three different solvers. One of the solvers is executed on classical computers, and two other solvers are executed on hybrid quantum solvers. Hybrid solvers return the solution within less than 0.03 seconds on quantum processing unit time. However, the results will be returned at least 5 seconds after the execution in the classical solver. It is worth mentioning that, as there is no direct access to the quantum computers, it is hard to compare the results on the same scale as the queries will go on a queue in D-wave quantum computers. Applying the proposed model on the trajectory data shows a better distribution of the vehicles on the road network.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».