⚛️ quantum physics

Quantum Annealing for Realistic Traffic Flow Optimization: Clustering and Data-Driven QUBO

Dit artikel presenteert een schaalbaar, datagedreven raamwerk voor stadswijde verkeersstroomoptimalisatie dat Leiden-clustering combineert met een Quadratic Unconstrained Binary Optimization (QUBO) formulering om grootschalige problemen op realistische stedelijke netwerken effectief op te lossen via hybride quantum annealing, waarbij bijna optimale congestiereducties worden bereikt die vergelijkbaar zijn met klassieke solvers, terwijl het aanzienlijk beter presteert dan traditionele kortste-route-baselines.

Oorspronkelijke auteurs: Renáta Rusnáková, Martin Chovanec, Juraj Gazda

Gepubliceerd 2026-06-30

📖 4 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Renáta Rusnáková, Martin Chovanec, Juraj Gazda

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een stad voor als een gigantische, levende puzzel waarbij elke auto een stukje is dat probeert de weg naar huis te vinden. Meestal kiest iedereen gewoon de snelste route die op hun GPS staat. Maar wanneer duizenden mensen dit tegelijkertijd doen, eindigen ze allemaal op dezelfde paar straten, waardoor een soepele doorstroming verandert in een vastgelopen file.

Dit artikel presenteert een nieuwe manier om deze puzzel op te lossen met een speciaal soort "superbrein" genaamd een Quantum Annealer (specifiek een machine gemaakt door D-Wave). Hier is hoe ze het deden, eenvoudig uitgelegd:

1. Het Probleem: Het "Te Veel Koks" Dilemma

De onderzoekers wilden het verkeer voor een hele stad (tot wel 25.000 auto's tegelijkertijd) optimaliseren. De uitdaging is dat als je probeert de beste route voor elke auto tegelijkertijd te berekenen, het aantal mogelijke combinaties zo enorm is dat een normale computer het zou laten crashen. Het is alsof je een Rubiks kubus probeert op te lossen waarbij het aantal vlakken elke seconde verdubbelt.

2. De Oplossing: Verkeer veranderen in een spel

Het team veranderde het verkeersprobleem in een wiskundig spel genaamd QUBO (Quadratic Unconstrained Binary Optimization).

Het Doel: Minimaliseer de "congestiekosten". Denk aan dit als een score waarbij auto's punten krijgen als ze te dicht bij elkaar rijden (zoals bumper aan bumper verkeer) of een route nemen die veel te lang is.
De Regels: Elke auto moet precies één route kiezen uit een aantal opties die door een standaard kaartmotor worden aangeboden.
De Straf: Ze voegden een regel toe die zegt: "Kies geen route die 30 minuten langer is alleen maar om een klein verkeerslicht te vermijden." Dit houdt de oplossing realistisch voor bestuurders.

3. De Truc: De Puzzel in Stukjes Breken

Omdat de puzzel te groot was voor de quantumcomputer om in één keer op te lossen, gebruikten de onderzoekers een slimme truc genaamd Leiden Clustering.

De Analogie: Stel je een enorme menigte mensen voor bij een concert. In plaats van de hele menigte tegelijk te organiseren, groepeer je mensen in kleinere, hechte cirkels op basis van wie er bij elkaar in de buurt staat.
Hoe het werkte: Ze groepeerden auto's die waarschijnlijk met elkaar te maken zouden hebben (zoals auto's op dezelfde straat op hetzelfde moment) in kleine "gemeenschappen". Ze losten de verkeerspuzzel voor elke kleine groep onafhankelijk op en naaiën de antwoorden vervolgens weer aan elkaar. Dit maakte het onmogelijke probleem beheersbaar.

4. De Confrontatie: Quantum versus Klassiek

Ze testten hun methode tegen de beste "klassieke" (normale) computers die beschikbaar zijn, specifiek een krachtige solver genaamd Gurobi.

Het Resultaat: De quantum-ondersteunde methode (een "hybride" solver omdat deze zowel quantum- als klassieke onderdelen gebruikt) presteerde bijna net zo goed als de superkrachtige Gurobi.
De Score: De quantumoplossing lag meestal binnen 1% van het perfecte antwoord dat door Gurobi werd gevonden.
De Snelheid: Terwijl Gurobi sneller werd bij kleine problemen, bleef de quantummethode verrassend stabiel. Het werd niet langzamer naarmate het probleem groter werd; het nam simpelweg een constante hoeveelheid tijd om zijn werk te doen, wat een uniek kenmerk van deze technologie is.

5. De Beloning: Minder Verkeer, Meer Doorstroming

Wanneer ze de geoptimaliseerde routes vergeleken met de standaard "kortste pad" routes die GPS meestal suggereert:

De Verbetering: Het geoptimaliseerde systeem verminderde de totale "congestiekosten" met tot wel 24,4% (voor de quantummethode) en 29,4% (voor de klassieke methode).
De Kanttekening: Dit betekent niet dat elke individuele bestuurder sneller thuis kwam. Sterker nog, sommige bestuurders namen misschien een iets langere route. Maar omdat het verkeer gelijkmatiger over de hele stad werd verspreid, bewoog het gehele systeem veel beter en daalde de totale tijd verloren aan files aanzienlijk.

6. De "Stadsvorm" Factor

Het artikel vond ook dat de vorm van de stad uitmaakt.

Reguliere Steden: In steden met een net, rasterachtig ontwerp (zoals Cardiff), werkte de quantumcomputer zeer soepel.
Onregelmatige Steden: In steden met kronkelige, rommelige straten (zoals Košice), moest de quantumcomputer iets harder werken en waren de resultaten iets minder perfect. Dit laat zien dat het "terrein" van de stad invloed heeft op hoe goed het quantumbrein kan denken.

Samenvatting

Dit artikel bewijst dat we quantumcomputers kunnen gebruiken om het verkeer in steden op grote schaal te helpen beheren. Door de stad op te delen in kleinere groepen van interagerende auto's en een quantum "superbrein" te gebruiken om die groepen op te lossen, kunnen we een "sweet spot" vinden waar het verkeer veel soepeler stroomt dan wanneer iedereen simpelweg de kortste route rijdt. Het is geen toverstaf die het verkeer volledig elimineert, maar het is een krachtig nieuw hulpmiddel dat steden kan helpen om wat makkelijker adem te halen.

Technische Samenvatting: Quantum Annealing voor Realistische Optimalisatie van Verkeersstromen

Probleemformulering
Dit werk behandelt het Traffic Flow Optimization (TFO) probleem, gedefinieerd als de toewijzing van precies één route aan elk voertuig uit een set vooraf berekende alternatieven binnen een stedelijk netwerk. Het doel is om een samengestelde kostenfunctie te minimaliseren die uit twee elementen bestaat:

Spatiotemporele Congestie: Gemodelleerd als "leader–follower" interacties waarbij voertuigen hetzelfde wegsegment in dezelfde richting bezetten op overlappende tijdstippen. Congestie wordt gekwantificeerd door een score gebaseerd op de tijd tussen voertuigen (headway), geschaald door een sensitiviteitsparameter $\gamma$ .
Route-duur Boetes: Een lineaire boete die de toewijzing van routes die aanzienlijk langer zijn dan de kortste beschikbare optie van een voertuig ontmoedigt, om te waarborgen dat individuele reisefficiëntie niet excessief wordt opgeofferd voor systeembrede winst.

Het probleem wordt geformuleerd als een Quadratic Unconstrained Binary Optimization (QUBO) probleem. Binaire variabelen $x_{i,a_i}$ vertegenwoordigen de selectie van route $a_i$ voor voertuig $i$ . De QUBO-doelfunctie bevat kwadratische termen die paren van congestie-interacties coderen en lineaire termen voor duurboetes. Een cruciaal onderdeel is de analytisch afgeleide strafparameter $\lambda$ , die de "one-hot" beperking afdwingt (elk voertuig selecteert precies één route) zonder handmatige afstemming, volgens het Verma–Lewis principe.

Methodologie
De studie maakt gebruik van een datagedreven workflow met behulp van OpenStreetMap (OSM) voor extractie van het stedelijke netwerk en de Valhalla routing engine om meerdere routealternatieven per voertuig te genereren. Voertuigtrajecten worden op vaste intervallen gesampled om congestiewichten te berekenen op basis van spatiotemporele overlappingen.

Om de combinatorische explosie van variabelen in grootschalige instanties (tot 25.000 voertuigen) aan te pakken, gebruikt het framework Leiden clustering. Voertuigen worden verdeeld in dichte gemeenschappen op basis van hun onderlinge congestie-interacties. Deze decompositie maakt het mogelijk om het globale probleem op te lossen als een reeks kleinere, onafhankelijke subproblemen.

De optimalisatie wordt geëvalueerd met behulp van:

Quantum/Hybrid Solvers: D-Wave's LeapHybridBQMSampler (QAHS), die een quantum annealer gebruikt als een subroutine binnen een klassieke hybride workflow.
Klassieke Solvers: Gurobi (exact Mixed-Integer Programming), CBC (open-source MILP), Simulated Annealing (SA) en Tabu Search.
Baselines: Willekeurige route-toewijzing en kortste-duur routing.

De evaluatie beslaat drie categorieën instanties: kleinschalig (directe QPU-executie), middelgroot en grootschalige stedelijke scenario's over meerdere steden (Košice, Praag, Cardiff).

Belangrijkste Bijdragen

Datagedreven QUBO-formulering: Een schaalbaar, tijdsopgelost TFO-model dat fijnmazige spatiotemporele voertuigconflicten en reistijdboetes vastlegt.
Analytische Strafparameter: Een analytisch afgeleide $\lambda$ die haalbare "one-hot" route-toewijzingen garandeert zonder empirische afstemming.
Schaalbaar Workflow: Een simulatie-naar-optimalisatie pipeline die Leiden clustering combineert met congestiemodellering, wat benchmarking op instanties met tot 25.000 voertuigen mogelijk maakt.
Uitgebreide Benchmarking: Een vergelijkende analyse van quantum-, hybride- en klassieke solvers over diverse stedelijke topologieën en verkeerspatronen (willekeurig versus op aantrekkingspunten gerichte stromen).
Flexibiliteit van het Framework: Een uitbreidbare architectuur die kan functioneren als een zelfstandige analyse tool of als een add-on module voor navigatieplatforms, met ondersteuning voor dynamische aanpassingen voor evenementen of wegafsluitingen.

Resultaten

Oplossingskwaliteit: In grootschalige scenario's produceert de hybride quantum-klassieke aanpak (QAHS) consistent haalbare oplossingen binnen ongeveer 1% van de objectieve waarden die door de exacte solver Gurobi worden bereikt.
Congestiereductie: Vergeleken met de shortest-route baseline vermindert de voorgestelde optimalisatie de congestie-kostenfunctie met maximaal 24,4% voor de hybride solver en 29,4% voor Gurovi.
Schaalbaarheid en Runtime: Hoewel Gurobi beter presteert qua runtime voor kleinere instanties ( $n \le 4.000$ ), vertoont QAHS stabiele, voorspelbare runtimes (variërend van ~3s tot ~117s) naarmate de probleemomvang toeneemt, terwijl klassieke solvers te maken krijgen met een exponentiële groei in complexiteit. De QPU-toegangstijd blijft verwaarloosbaar (<0,1s), waarbij de bottleneck ligt bij de probleem-embedding en orchestratie.
Topologiegevoeligheid: De prestaties van de solver worden sterk beïnvloed door de structuur van de stadskaart. Regelmatige topologieën (bijv. Cardiff) leveren kleinere energieverschillen op tussen QAHS en Gurobi (<0,83%), terwijl onregelmatige, heterogene netwerken (bijv. Košice) grotere afwijkingen laten zien.
Effectiviteit van Clustering: Leiden clustering legt het merendeel van de dominante congestie-interacties binnen subproblemen vast (intra-cluster interactie fractie $\eta$ ), hoewel deze fractie afneemt naarmate het aantal voertuigen toeneemt en interacties meer verspreid raken.

Betekenis en Claims
Het paper stelt dat hybride quantum-klassieke benaderingen een levensvatbare complementaire methode vormen voor complexe, grootschalige optimalisatieproblemen zoals TFO. De studie demonstreert dat hoewel exacte klassieke solvers (Gurobi) momenteel de absoluut beste oplossingen bereiken, hybride solvers een praktisch alternatief bieden met stabiele runtimes en bijna optimale kwaliteit voor stedelijke netwerken.

De auteurs benadrukken dat het framework een balans vindt tussen individuele efficiëntie van bestuurders en systeembrede congestiereductie, wat een potentiële toevoeging vormt aan Intelligent Transportation Systems (ITS). Het werk benadrukt dat de effectiviteit van quantum annealing in dit domein instantie-afhankelijk is, met name gevoelig voor netwerktopologie en de dichtheid van de paar-interacties. De studie erkent huidige beperkingen, waaronder de noodzaak voor offline preprocessing (geen real-time) en de afhankelijkheid van statische simulatievensters, maar suggereert dat naarmate quantum hardware en embedding-technieken volwassen worden, de aanpak grotere en meer gedetailleerde formuleringen kan afhandelen.