该研究探讨了采用监督混合量子机器学习优化自然灾害期间汽车紧急疏散计划的潜力。研究使用了一种新颖的混合监督学习方法，并在具体城市图上进行了测试。结果显示，该方法相对于纯经典监督学习方法提高了7%的准确性，并且在预测中有45.3%的重要贡献度。该研究表明，监督混合量子机器学习有助于改善自然灾害期间的紧急疏散计划。

本研究使用监督混合量子机器学习方法优化自然灾害期间的汽车紧急疏散计划。通过建模动态计算图，在城市图上测试了新型混合监督学习方法。使用量子特征线性调制（FiLM）神经网络，成功学习了导航任务。相较于纯经典监督学习方法，量子部分提高了7%的准确性，并在预测中有45.3%的重要贡献度。研究结果显示，监督混合量子机器学习有助于改善自然灾害期间的紧急疏散计划。