مایکروسافت و فورد از کامپیوترهای کوانتومی برای حل ترافیک سیاتل استفاده می کنند

سیاتل به خاطر ترافیک گریدلاک شهرت دارد، اما مایکروسافت و فورد امیدوارند با رویکردی جدید با استفاده از تکنیک‌های محاسبات کوانتومی، آن را حل کنند.

دانشمندان فورد و مایکروسافت از طریق یک پایلوت تحقیقاتی مشترک، هزاران وسیله نقلیه و تأثیر آنها بر ازدحام را با استفاده از فناوری قدرتمند الهام گرفته از کوانتوم شبیه‌سازی کردند.

در طول رانندگی در ساعات شلوغی، رانندگان متعددی به طور همزمان کوتاه ترین مسیرهای ممکن را از برنامه هایی مانند Waze یا Google Maps درخواست می کنند، اما سرویس های ناوبری فعلی این درخواست ها را در خلاء رسیدگی می کنند. آن‌ها تعداد درخواست‌های دریافتی مشابه را در نظر نمی‌گیرند، از جمله مناطقی که سایر رانندگان در حال برنامه‌ریزی برای اشتراک‌گذاری بخش‌های مسیر مشابه در هنگام ارائه نتایج هستند.

به جای این نوع مسیریابی فردی، چه می‌شود اگر بتوانیم یک سیستم مسیریابی متعادل‌تر ایجاد کنیم - سیستمی که بتواند تمام درخواست‌های مسیرهای مختلف از رانندگان را در نظر بگیرد و پیشنهادات مسیر را بهینه کند تا تعداد وسایل نقلیه مشترک جاده‌ها به حداقل برسد؟ این عالی به نظر می رسد اما یکی از موانع اصلی در مسیریابی متعادل این واقعیت است که به منابع محاسباتی گسترده ای نیاز دارد.

وجود رایانه‌های سنتی برای یافتن راه‌حل بهینه از تعداد زیادی از تخصیص‌های مسیر ممکن به موقع امکان‌پذیر نیست، اما در رایانه‌های کوانتومی، اطلاعات را می‌توان توسط یک بیت کوانتومی (یا یک کیوبیت) پردازش کرد که می‌تواند به طور همزمان در دو مورد وجود داشته باشد. حالت های مختلف قبل از اندازه گیری

این در نهایت یک کامپیوتر کوانتومی را قادر می‌سازد تا اطلاعات را با سرعت بالاتری پردازش کند که پتانسیل ارائه مسیریابی متعادل به رانندگان را دارد که می‌تواند یک سری مزایای آبشاری ایجاد کند: جریان روان‌تر ترافیک، رفت‌وآمدهای کارآمدتر و حتی کاهش آلودگی.

با استفاده از آنچه در مورد محاسبات کوانتومی آموخته‌ایم و آوردن آن به سخت‌افزاری که از قبل در دسترس است، لازم نیست منتظر بمانیم تا کامپیوترهای کوانتومی در مقیاس وسیعی برای استفاده از این فناوری به کار گرفته شوند. با استفاده از الگوریتم‌های کوانتومی کلاس جهانی که برای مشکلات خاص سفارشی شده‌اند، می‌توانیم پیشرفت‌های قابل اندازه‌گیری را به ارمغان بیاوریم و تغییراتی را ایجاد کنیم که می‌تواند بر زندگی افراد تأثیر بگذارد.»

این تیم چندین احتمال مختلف را آزمایش کرد، از جمله سناریویی که شامل 5,000 وسیله نقلیه - هر کدام با 10 انتخاب مسیر مختلف در دسترس است - به طور همزمان مسیرهایی را در مترو سیاتل درخواست کردند. در 20 ثانیه، پیشنهادهای مسیریابی متعادل به وسایل نقلیه ارائه شد که منجر به بهبود 73 درصدی در تراکم کل در مقایسه با مسیریابی "خودخواهانه" شد. در همین حال، میانگین زمان رفت و آمد نیز 8 درصد کاهش یافت - کاهش سالانه بیش از 55,000 ساعت در ازدحام در این ناوگان شبیه سازی شده.

جولی لاو، مدیر ارشد مایکروسافت که توسعه تجارت محاسبات کوانتومی آنها را رهبری می کند، می گوید: «محاسبات کوانتومی این پتانسیل را دارد که صنعت خودرو و روش حرکت ما را متحول کند. برای انجام این کار، باید درک عمیقی از مشکلاتی که شرکت‌هایی مانند فورد می‌خواهند حل کنند، داشته باشیم، به همین دلیل است که همکاری‌هایی مانند این بسیار مهم است.»

فورد در حال گسترش همکاری خود با مایکروسافت برای بهبود بیشتر الگوریتم و درک اثربخشی آن در سناریوهای دنیای واقعی است. به عنوان مثال، اگر برخی از رانندگان تصمیم بگیرند که مسیرهای پیشنهادی را دنبال نکنند، آیا این روش همچنان نتایج مشابهی را در زمانی که برخی از خیابان ها شناخته شده است بسته می شود ارائه می دهد؟

صحبت های محققان مایکروسافت در مورد فناوری زیر را ببینید:

از طريق متوسط