自動車レースは量子コンピューティングの良い応用分野ではないと思うかもしれません。というのも、チームは自動車整備は知っているかもしれないが、先進的なコンピューティングを活用する方法は知らないであろう整備工たちで構成されているからです。しかし、それは間違いです。
自動車レースは大きなビジネスであり、成功と失敗の間には非常に細い線しかない場合があります。小さなことがいかに大きな違いを生むかを示す例として、2015年のIndianapolis 500の結果を見ることができます。そのレースでは、1位でフィニッシュしたJuan Pablo Montoyaと2位でフィニッシュしたWill Powerの完走タイムの差は104.6ミリ秒でした。そしてその104.6ミリ秒が、244万ドルの1位賞金を獲得できるかどうかの違いを生んだのです。
自動車レースは大量のデータを生成することが分かっており、典型的なレースでは1台あたり約1テラバイトになります。このデータを賢く分析して使用すれば、レーシングチームに決定的な優位性を与えることができます。そのため、Zapata ComputingとAndretti Motorsportsは今年初めにパートナーシップを結び、レース分析について協力し、Zapataの高度な分析、量子技術、そしてOrquestraハイブリッド古典/量子データおよびワークフローマネージャーを使用して、より多くのレースで勝利する方法を模索しています。
両社間のこの取り組みは始まったばかりですが、両社にとって大きなイベントが今週末、2022年のIndianapolis 500レースで行われます。Zapata ComputingのCEOであるChristopher Savoieと話をしたところ、彼は高度な分析、機械学習、量子コンピューティングが違いを生む可能性があると考えられる最初のユースケースのうち3つについて説明してくれました。
タイヤ劣化分析
時速200マイル以上で走行する車では、タイヤは非常に速く摩耗します。典型的なIndianapolis 500レースでは、タイヤは5回以上交換される可能性があり、それを達成するには時間を無駄にするピットストップが必要です。さらに、タイヤは装着したばかりの時と、しばらく使用した後では異なる特性を持っています。したがって、レースマネージャーには多くの戦略的変数を調整する必要があります。タイヤ交換のために車をいつピットストップに呼ぶべきか、どのタイヤセットを車に装着すべきか、タイヤ交換を何回行うべきか、そして現在の天候やトラックの状態はどうか。データアナリストにとって、これは大規模な最適化問題であり、Zapataが以前のレースセッションで収集されたデータおよびレース中にリアルタイムで収集されたデータを使用して、これらの決定を導くMLモデルを作成するためにAndrettiと取り組む最初の分野の1つとなります。
燃料節約の機会
車はレース中に給油する必要があります。さらに、ドライバーは運転方法によって燃料消費をある程度制御できます。レーシングチームが給油回数を最小限に抑え、ピットストップを回避する方法を見つけることができれば、多くの時間を節約できます。さらに、満タンの状態でフィニッシュラインを越えるのは無駄になるため避けたいところです。2016年のレースでは、ドライバーのAlexander Rossiが賭けに出て、残り33周で最後の給油のためのピットストップに入らないことを決めました。結果として彼は最後にガス欠になり、フィニッシュラインを惰性で越えました。しかし彼はレースに勝ちました。というのも、2位の選手は給油することを決め、その余分なピットストップ時間がレースの敗北につながったからです。したがって、燃料消費を改善し、給油の最適なタイミングを決定する方法を見つけることも、機械学習と高度な分析を使用して最良のソリューションを見つけ、レースパフォーマンスを向上させる機会となる可能性がある最適化問題であることが分かります。
イエローフラグ予測モデリング
レース中のイエローフラグは、事故が発生したり、トラック上に破片がある場合に出されます。ドライバーは速度を落とすことが求められ、他の車を追い抜くことは禁止されます。これの影響の1つは、ある車の他車に対する相対的なリードが縮小されることです。しかし、フラグが出ている間は車がフルスピードで走っていないため、ピットストップに入る良いタイミングでもあるかもしれません。もしレーシングチームが水晶玉を持っていて、イエローフラグがいつ出るかを予測できれば、最適なピットストップ戦略を決定するのに役立つでしょう。これは少し現実離れしているように思えるかもしれませんが、ZapataとAndrettiのチームは、トラック上の状況、車内の様々な車の状態、それらの車に乗っている特定のドライバー、およびレース中に収集されたその他の要因に基づいて、このためのモデルを作成しようと試みます。彼らがこのデータからイエローフラグがいつ発生するかについて実際に有用なモデルを作成できるかどうかは、私たちにとって興味深いことです。
運用の観点から、この環境で作業することは、いくつかのユニークな課題を提示する可能性があります。しかし、これはZapataチームが実世界の課題に直面し、将来の製品改良や他の分野での顧客エンゲージメントに使用できる解決方法を見つける際の学習機会も提供します。最初に理解すべきことの1つは、レース環境ではリアルタイムの意思決定が必要であり、レース当日にクラウド上のどこかにある量子コンピュータを使用したくないということです。レイテンシが遅すぎますし、不安定なWi-Fi接続と格闘したくもありません。そのため、ZapataとAndrettiは、以下の写真に示すように、オンサイトのRace Analytics Command Centerを設置しました。
ZapataとAndrettiはこのトレーラーに量子コンピュータをインストールするつもりはありませんが、レース当日にチームがリアルタイムの意思決定を行うのを助けるための大量の古典的コンピューティング能力を備えています。機械学習アプリケーションは通常、モデルの最適な係数を開発するトレーニングセッションと、事前に設定された係数に基づいてモデルを実行し出力を提供する実行部分に分かれています。トレーニング部分はMLモデルの最も計算集約的な部分であり、リアルタイムで実行する必要はなく、量子コンピューティングを活用する良い機会です。モデルが作成されたら、それを実行することはそれほど計算集約的ではなく、古典的プロセッサで実行できます。チームは以前のレースや試走からのデータを入力し、数日または数週間かけてMLモデルを作成できますが、その後このトレーラーに設置された古典的コンピュータ上でMLモデルをリアルタイムで実行できます。
ZapataとAndrettiのコラボレーションは、量子コンピューティングの活用をはるかに超えています。全体的なプログラムには、クラウドプロバイダーに常駐する可能性のある複数のデータベースとの作業、様々なセンサーから入ってくるエッジコンピューティングデータ、および古典的および量子的性質の両方を持つワークフローの管理が含まれます。Zapataはこれらすべてを管理するために、彼らのOrquestra製品を使用します。
これは長期的なコラボレーションになります。利用可能な量子コンピュータはまだ優位性を提供するほど強力ではないため、この作業の最初の実装では量子インスパイアアルゴリズムを使用します。しかし、量子プロセッサがより強力になるにつれて、これらのアルゴリズムは最終的に完全な量子コンピュータに移行され、両社がより大きく、より複雑で、より正確なモデルを作成して優位性をさらに高めることができるようにする意図があります。Andrettiは多くの異なるタイプの自動車レースに参加しており、多くの異なるチームを持っています。したがって、両社はこの能力を試して開発する多くの機会があります。また、両社が協力する中で、高度なコンピューティング能力を活用するための追加のユースケースを見つけることも期待されます。
このコラボレーションに関する追加情報については、Zapataのウェブサイトに掲載されているニュースリリースを参照できます。
2022年5月26日
