D-Wave 的量子退火炉优化了工业部件的机器人检测。
混合经典算法优化了从计算机辅助设计模型得出的机器人检查路线，将任务构建为三维旅行推销员问题。对五个工业案例的评估表明，与 GUROBI 和 Google OR-Tools 等经典方法相比，这些基于 D-Wave 的求解器实现了有竞争力的求解质量，并显著缩短了计算时间。
在复杂的工业环境中优化机器人检测带来了相当大的计算挑战，尤其是在处理从计算机辅助设计（CAD）模型得出的复杂三维几何形状时。研究人员现在正在研究量子计算是否在解决这些路径规划问题方面提供了可行的优势，这些问题与著名的旅行推销员问题基本相似。来自 TECNALIA、巴斯克研究与技术联盟和巴斯克地区的 Eneko Osaba、Estibaliz Garrote 及其同事，以及卡拉布里亚大学的 Alessia Ciacco 在文章“工业 4.0 中机器人质量检测的量子辅助自动路径规划”中详细介绍了他们的研究。他们的工作是利用 D-Wave 系统，根据几个实际工业检测场景中已建立的经典优化方法，评估基于量子的求解器的性能。
这项研究证明了应用混合量子经典算法来解决工业自动化中出现的复杂优化问题的可行性，特别是与机器人表面检查相关的旅行推销员问题（TSP）。通过将任务构建为 TSP 的三维变体，结合现实的约束条件（例如不完整的图形结构和开放路线要求），该研究评估了 D-Wave 的混合求解器与已建立的经典优化工具的性能。从五个不同的工业案例研究（车门、保险杠、玩具熊、飞机组件和 H 球体）中获得的结果表明，D-Wave 混合求解器实现了有竞争力的解决方案质量，同时显著缩短了计算时间。
研究人员研究了近期量子计算解决实际工业挑战的潜力，甚至在完全容错量子计算机出现之前。这项工作突出了量子衍生计算在应对复杂优化挑战方面日益增长的潜力。它有助于将量子计算的理论进步转化为工业自动化的切实好处。旅行推销员问题（TSP）是一个经典的组合优化问题，它寻求尽可能短的路线，即访问一组给定城市中的每一个恰好一次，然后返回原始城市。
研究团队将检测任务制定为受约束的 TSP，提供了一个适用于一系列机器人路径规划挑战的通用框架。他们根据已建立的经典优化方法（特别是 Gurobi 和 Google OR-Tools）评估了基于 D-Wave 量子退火技术的两个求解器。D-Wave 求解器采用混合方法，将量子计算原理与经典优化技术相结合，以利用这两种范式的优势。量子退火是一种元启发式方法，用于通过利用量子涨落来查找给定目标函数在一组给定候选解上的全局最小值。
五个基准实例（代表真实的工业部件）用作测试用例，其大小和复杂性各不相同，用于评估不同场景下的性能。研究人员将检测任务建模为受约束的 TSP，从而能够比较不同算法的解决方案质量和计算效率。该方法允许在现实的工业环境中根据已建立的经典优化工具对 D-Wave 混合求解器进行严格评估。
结果表明，基于 D-Wave 的混合求解器实现了具有竞争力的求解质量，与传统方法相当。D-Wave 混合求解器，即 NL-Hybrid 和 CQM-Hybrid，始终如一地提供平均路线（AR）值从 0.62 到 0.94 的解决方案，展示了找到近乎最优的检查轨迹的能力。至关重要的是，与传统求解器 Gurobi 和 Google OR-Tools 相比，这些求解器以显著缩短的计算时间来实现这一点。
虽然 Gurobi 始终提供略胜一筹的解决方案，但 D-Wave 求解器的速度优势带来了令人信服的权衡，尤其是在快速响应至关重要的情况下。该研究使用近似比率（AR）指标量化解决方案质量，并使用运行时间（RT）指标衡量计算效率。这样就可以直接比较不同算法在求解精度和计算效率方面的性能。
研究结果表明，D-Wave 的混合方法在这两个因素之间提供了令人信服的平衡，使其成为在工业 4.0 框架内实现检测流程自动化的潜在有价值的工具。在灵活性和响应能力至关重要的动态制造环境中，快速生成近乎最优的检测路线的能力尤其有利。
完整的数据集和可视化是公开的，因此可以进一步研究和验证这些发现。研究人员预计，这种开放获取方法将促进协作并加速开发基于量子的工业优化解决方案。数据和可视化的可用性使其他研究人员能够重现结果并探索不同算法在各种场景中的性能。
未来的工作将侧重于将这种方法扩展到制造、物流和供应链管理中的其他优化问题。研究人员还计划研究使用更先进的量子算法和硬件，以进一步提高这些解决方案的性能。该团队相信，量子计算有可能彻底改变工业优化并创造显着的经济效益。
