富士通量子启发退火机:将仓库内运作效率提高一倍

富士通IT产品公司利用数字退火机,一种基于量子启发的计算技术,显著提高了仓库作业效率。这种技术能快速解决复杂的组合优化问题,如旅行商问题,帮助规划最佳零件提取路线。通过引入数字退火机,不仅减少了工人寻找零件的时间,而且降低了对外部专家的依赖,使初级工人也能高效工作。预计每月工人移动路线可减少20%,进一步优化货架布局甚至可降低45%的行走距离。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

富士通的数字退火机根据量子启发进行数字电路及算法设计,可以加速解决组合优化问题。

随着 ICT 技术的进步和人工智能 (AI) 的广泛落地,计算机需要即时运行复杂的优化计算,此类计算方式和结果应用于各个商业领域,例如制造、分销、零售、物流和金融等。

下文案例详细介绍了富士通 IT 产品公司如何研究部署数字退火机,并显著提高了仓库内的运作效率。

效率也是一种机遇

 

富士通IT产品公司(图片来源:网络)

富士通 IT 产品有限公司一直是富士通计算机系统、存储系统和大中型服务器(如大型机、UNIX 服务器、关键任务 IA 服务器和超级计算机)的主要制造工厂。自 2002 年成立以来,富士通IT产品的生产方式随着制造企业的整合不断迭代,这些制造企业提倡大力提高客户满意度,以追求多品种小批量生产的 QCD(质量、成本和交付)。

公司执行官 Kazuyuki Niwa(丹羽和之)说:“制造企业的首要任务,就是不断有效地生产高质量的产品,随着市场需求日益多样化,小批量生产多种产品变得非常重要。”

 

(图片来源:网络)

“我们一直在研究能够提高生产水平的好方法。其中主要研究领域之一是在我们的工厂(包括仓库)内寻找和实施最佳作业路线。作为生产改进研究的一部分,我们发现了数字退火机在解决组合优化问题方面的优势,我们认为这可以在我们的工厂统筹优化中使用。”

数字退火机使用受量子启发的数字电路架构进行设计,这是一种新技术,可以解决经典计算机无法在可接受的时间内解决的复杂组合优化问题。什么是组合优化问题?以旅行商问题示例:销售员需要走访数十个城市,每个城市只访问一次,如何找到总距离最短的路线?在 30 个城市的情况下,可能的路线总数超过 2.65x10^32,而数字退火机可以在一秒钟内解决这个问题。

提取零件的工作不再需要有经验的工人

 

复杂路线示例:货架编号、票据上的零件名称和取件时间(图片来源:网络)

仓库员工利用数字退火机的技术可以提高效率。

首先,仓库收到来自每条生产线的零件交付请求。收到请求后,会从仓库内生成零件清单(交货单)。工人从仓库货架上取下票据上列出的零件并交付。在交货单上,描述了零件的名称和存储位置的货架编号。

Kenji Miyata (宫田贤治)主任提到:“找零件可以被认为是任何人都可以做的简单工作。然而,要高效地完成存储与挑拣,还是需要有经验的工人。”

“原有仓库占地约 1000 平方米,可存放约 3000 种产品,工人需要查看票据并收集零件。在应用数字退火机之前,交货单上列出的零件不包括货架的位置顺序,并且由于摆放零件的货架没有按字母顺序排列,所以它不是为工人系统地收集零件而设计的环境。对于缺少经验的工人来说,如果一时找不到放有零件的货架,他们就会花费大量时间在仓库里四处寻找。”

 

富士通 IT 产品制造与技术综合部主任Kenji Miyata (宫田贤治)(图片来源:网络)

近期由于生产量小、品种多,所以出货的零件种类较多。在应用数字退火机之前,零件的收集需要依赖有经验的工人。

公司执行官 Kazuyuki Niwa说道:“一开始,零件的进出交付都是外包。但是 2 年前,我们开始在内部招聘仓库工人。内部团队刚开始执行收集零件的工作时,需要大量的时间去学习和记忆零件的存放地点,因此收集零件的时间比外包时要多得多。所以新的内部团队不得不依靠经验丰富的工人来完成零件提取工作。即使新员工的专业知识水平在不断提高,我们还是必须让经验丰富的工人来指导零件收集。在讨论利用数字退火机处理这些问题时,我们突然想到,如果它可以解决旅行商问题,那么它应该也可以应用在货架和零件的问题解决上。

 

​富士通 IT 产品仓库,数千种零件占地 1000 平方米。(图片来源:网络)

即时显示最佳拣选路线

 

平板电脑上显示的最佳取货路线,为经验不足的工人提供最短路线。(图片来源:网络)

量子退火机仅用了 3 个月部署,就开始启动运行了。

 Kenji Miyata主任解释道:“从仓库选择到问题咨询,将量子退火机引入运营仅用了几个月时间。我们决定使用量子退火机的云服务来支持我们的原始票证系统,整个过程进行得很顺利。”

该系统使用起来非常简单:要想根据存储信息和货架位置来快速提取零件,数字退火机就要为所有人提供最高效的指引和导航。随着量子退火机的引入,系统在平板电脑上可以显示出最短路线的地图,工人就可以轻松收集零件。

执行官 Kazuyuki Niwa 表示:“正如预期的那样,设计可视化路线是关键。要提取零件,工人会在仓库内四处走动,而现在可以一笔勾画出精短路线,能够亲眼见证这一切,是一件很棒的事情。”

另一个惊人的事情是速度。”Kenji Miyata主任说,“到目前为止,我们一直依赖于有经验的工人,这在人力成本上是一种消耗。现在,我们不需要仅依赖有经验的工人,相反,初级工人也能轻松完成任务。”

通过改进工作流程,可以设计出每个环节的最佳路线。比如零件放置在靠近生产线最常使用的架子上,只需进行一次更改,即可缩短路线并提高工作效率。

“要想真正提高效率,只空谈不会使路线变短,而可视化则有助于实现这一目标。我们很清楚,通过提高效率可以改变许多工人的思维方式。”

Kenji Miyata主任表示,“预计每个月工人收集零件的移动路线将减少20%。此外,改变货架的摆放位置可能会导致路线减少 45%。”

执行官 Kazuyuki Niwa 继续说道:“该系统首先在一个仓库中推出和试用。看到结果后,我们认为可以将其扩展到其他仓库。我们现在还希望从应用数字退火机所带来的其他生产改进中受益,例如仓库员工轮班优化和产品订购流程等方面。”

编译:慕一

编辑:王珩

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值