«Искусственная интуиция» дает лучшие ответы на сложную проблему оптимизации парковки.
Оценка оптимального места для парковки на удивление сложна с математической точки зрения и представляет собой подмножество классической задачи вычислительной сложности с гораздо более широкими приложениями. Команда специалистов по данным объединила квантовый отжиг с процессом, который пытается имитировать основные процессы человеческой интуиции, в методе, который обеспечивает точность решения, намного превосходящую традиционные подходы.
Метод описан в статье, впервые опубликованной в Интернете 30 сентября 2022 года в Intelligent and Converged Networks .
Проблема местоположения объекта, или FLP, является давней проблемой в области исследования операций — применение научных методов к принятию решений и решению проблем менеджерами в крупных коммерческих, государственных или военных организациях. Целью ФЛП является определение оптимального расположения и количества объектов на заданной территории с учетом определенных ограничений.
Лицам, принимающим решения в системе здравоохранения, например, может потребоваться оценить, где должна быть расположена новая больница. Если они разместят это учреждение в месте, слишком труднодоступном для пожилых людей, уровень смертности может возрасти. Ограничение здесь пытается минимизировать смертность. Но если они разместят больницу в более доступном месте, расходы на недвижимость могут съедать большую часть их бюджета — еще одно ограничение. Это также может снизить способность поставщиков медицинских услуг предоставлять услуги, что еще раз повысит уровень смертности.
Может показаться, что определить одну или даже несколько золотых точек, где уровень смертности и расходы самые низкие, математически просто. Но найти точные решения для этого и других примеров FLP — с гораздо большим количеством ограничений на то, что нужно оптимизировать, чем просто расстояние и стоимость — сложно с вычислительной точки зрения.
На самом деле, FLP, задача комбинаторной оптимизации, классифицируется учеными-теоретиками сложности как «NP-сложная» категория задач — самая сложная из существующих. Не существует единого решения, которое можно было бы применить к планированию местоположения для различных ситуаций в разных областях.
Оптимальное расположение парковки — это еще один пример FLP, который представляет большой интерес для городских властей, желающих избежать заторов и, соответственно, сократить выбросы парниковых газов. Чем меньше времени автомобилисты тратят на поиск места для парковки, тем меньше пробок и меньше выбросов парниковых газов. Во многих городах быстро урбанизирующихся регионов, не в последнюю очередь в развивающемся мире, это вызывает острую озабоченность.
Обычные методы, используемые для получения достойных (но не точных) решений задачи определения местоположения парковки, включают в себя различные типы алгоритмов, выполняемых искусственным интеллектом на классических компьютерах (в отличие от квантовых компьютеров). Но как только объем используемых данных значительно возрастает, производительность этих «классических интеллектуальных алгоритмов» резко снижается.
«На данный момент интуиция человека может превзойти компьютер», — сказал Сумин Ван, соавтор статьи и исследователь Ключевой лаборатории специальной волоконной оптики и оптических сетей доступа Шанхайского университета. «Но такую интуицию не следует рассматривать как мистическую или просто «интуитивную интуицию». Существует твердое научное объяснение того, откуда берется человеческая интуиция, и это может вдохновить нас на попытку имитировать ее с помощью компьютеров».
Когда у инженера или архитектора возникает ощущение, что мост, строительная система или другое инженерное сооружение вот-вот выйдет из строя, но он не может прямо обосновать причину, это может произойти в результате десятилетий опыта. Велосипедист может точно почувствовать, когда его велосипед вот-вот перевернется, но не может объяснить, что именно он почувствовал, что позволило ему выполнить такую оценку.
Обширный опыт и накопленные знания могут позволить человеку быстро оценить ситуацию в целом и непосредственно воспринять факт, не прорабатывая процесс традиционных рассуждений, что позволяет принимать быстрые и эффективные решения, несмотря на сложные условия.
Те, кто изучает человеческую интуицию, описывают происходящее в мозгу как быстрое и резкое сокращение «пространства поиска» — термин, который ученые-компьютерщики используют для описания возможных решений. Опыт и знания позволяют людям «просто знать», как выборочно обращать внимание на наиболее важные аспекты проблемы, отбрасывая остальные, и, таким образом, упрощая необходимые расчеты.
«Искусственная интуиция», искусственно воспроизводящая человеческую интуицию, является новой областью исследований в области искусственного интеллекта. Цель состоит в том, чтобы разработать основанные на человеческом мозге методы интуитивного рассуждения — одну из самых мощных способностей, которыми мы обладаем, — которые аналогичным образом фокусируются на основных данных, игнорируя второстепенные данные, чтобы сузить пространство поиска.
Используя проблему оптимального расположения парковки, исследователи разработали так называемый механизм избирательного внимания (SAM), вдохновленный человеческой интуицией, и объединили его с квантовым отжигом (QA).
В последние годы QA уделялось много внимания отдельно как новой вычислительной парадигме для решения классических задач оптимизации. Алгоритмы QA обеспечивают значительные улучшения с точки зрения времени выполнения алгоритма и качества решения для некоторых NP-сложных задач, которые плохо решаются классическими методами.
В задачах оптимизации ищут оптимум из многих возможных комбинаций, минимум или максимум. А в физике все стремится к своему минимальному энергетическому состоянию, от мячей, катящихся с холмов, до возбужденных электронов, возвращающихся в свое основное состояние. Это означает, что задачи оптимизации, по сути, могут быть преобразованы в задачи минимизации энергии. QA просто использует квантовую физику, чтобы найти самые низкие энергетические состояния проблемы и, следовательно, минимум или максимум целевого атрибута. QA уже развернут в различных приложениях от оптимизации трафика до планирования ресурсов и квантовой химии.
Для решения проблемы оптимизации парковки исследователи использовали SAM, чтобы сократить пространство поиска и указать направление для следующего шага поиска, а также QA для поиска в этом пространстве и повышения эффективности поиска.
Они применили свою концепцию к реальной парковке, используя данные о реальной широте и долготе из района Луоху в Шэньчжэне, Китай. Эти правительственные данные на открытой платформе включали места с высоким спросом на парковку, возможные места для парковки, существующие места для парковки и их вместимость. Район Луоху занимает площадь около 80 квадратных километров, что слишком много для любого классического интеллектуального алгоритма с ограниченными вычислительными ресурсами, чтобы напрямую вычислить все данные в этом районе.
Сначала вся область была разделена на блоки для экономии вычислительных ресурсов, затем был применен SAM для фокусировки на важных точках данных, которые были автоматически отфильтрованы и оптимизированы. Затем были получены новые результаты определения местоположения путем моделирования предпочтения QA состояний с низкой энергией. Выборочные точки внимания, в свою очередь, обновлялись на основе результатов определения местоположения объекта, и процесс повторялся несколько раз, пока не появилось четкое решение — расположение предлагаемой новой парковки в регионе.
Чтобы оценить свой подход, исследователи использовали технику, обычно используемую для измерения точности решения многокритериальных алгоритмов. По сравнению с конкурирующими подходами метод SAM плюс контроль качества позволил получить более оптимальные и выполнимые наборы решений за более короткое время.
Теперь исследователи хотят использовать свой подход и применить его к другим задачам определения местоположения и связанным с ними приложениям искусственной интуиции.
