Abstract
Problemen zoals stedelijke transportnetwerken vereisen dynamische routeringsoptimalisatie die zich aanpast aan snel veranderende verkeersomstandigheden veroorzaakt door congestie, ongevallen en schommelingen in de vraag. Klassieke routeringsalgoritmen zoals Dijkstra en A* zijn computationeel efficiënt, maar vereisen bij elke verandering een volledige herberekening van het pad, waardoor ze ongeschikt zijn voor dynamische realtime-omgevingen. Klassieke grafische neurale netwerken (GNN's) leggen ruimtelijke afhankelijkheden effectief vast, maar stuiten op het probleem van overmatige smoothing, waarbij toenemende netwerkdiepte om langeafstandsafhankelijkheden te modelleren ervoor zorgt dat knooppuntrepresentaties steeds meer op elkaar gaan lijken, wat resulteert in verlies van onderscheidende informatie die nodig is voor effectieve routeringsbeslissingen.
Dit PhD onderzoek pakt deze fundamentele beperkingen aan door de ontwikkeling van hybride quantum grafische neurale netwerken (HQGNN's) die gebruikmaken van kwantumverstrengeling om niet-lokale correlaties in het netwerk vast te leggen zonder dat hiervoor een diepgaande berichtdoorgiftearchitectuur nodig is. Door graafsignalen in de kwantumtoestandsruimte in te bedden, maken HQGNN's de weergave van complexe congestievoortplantingspatronen over lange afstand mogelijk, terwijl de lokale onderscheidbaarheid behouden blijft – een combinatie die fundamenteel moeilijk te bereiken is in puur klassieke architecturen.
Het resulterende raamwerk in het kader van dit proefschrift zal worden geëvalueerd met data van de stad Antwerpen. De stad Antwerpen, met haar dichte stedelijke kern en complexe multimodale transportinfrastructuur, dient als een ideale testomgeving voor het evalueren van de prestaties van HQGNN's in realistische scenario's. Het netwerk van Antwerpen kent karakteristieke uitdagingen, waaronder terugkerende knelpunten op belangrijke kruispunten, variabele verkeerspatronen beïnvloed door havenactiviteiten en de noodzaak van coördinatie tussen privévoertuigen, openbaar vervoer en commercieel vrachtverkeer. Door HQGNN's toe te passen op het transportsysteem van Antwerpen kan de voorgestelde aanpak worden gevalideerd aan de hand van verkeersgegevens, terwijl tegelijkertijd de praktische schaalbaarheid en aanpasbaarheid aan de werkelijke beperkingen van stedelijke routes worden aangetoond.
Onderzoeker(s)
Onderzoeksgroep(en)
Project type(s)