Q-PORT LOGISTIC: Le Port Prêt pour le Quantique

---- FRANÇAIS

Nom du projet :

Q-PORT LOGISTIC : Le Port Prêt pour le Quantique

Pitch de présentation

Résoudre le problème NP-difficile d'allocation des postes (BAP) avec un algorithme quantique hybride (QAOA) pour éliminer la congestion et faire économiser des millions à la chaîne maritime.

À propos du projet

💡 Ce qui nous a inspiré
Le transport maritime de fret est l'épine dorsale de l'économie mondiale, acheminant 90 % du volume du commerce mondial. Cependant, lorsque des navires de charge valant des millions de dollars arrivent dans un port dont l'espace à quai est limité, leur planification devient un cauchemar mathématique. C'est ce qu'on appelle le Problème d'Allocation des Postes à quai (BAP - Berth Allocation Problem).

Chaque heure d'attente d'un navire coûte des milliers de dollars (jusqu'à 25 000 $/jour par navire) et provoque des retards en cascade sur l'ensemble de la chaîne d'approvisionnement mondiale. Le BAP étant un problème NP-difficile, les ordinateurs classiques s'appuient sur des "suppositions" (heuristiques) qui tombent souvent dans le "piège glouton" (Greedy Trap) : prendre des décisions à court terme qui créent d'énormes goulots d'étranglement par la suite. Nous voulions construire une infrastructure "prête pour le quantique" (Quantum-Ready) qui exploite la puissance de traitement simultané de la mécanique quantique pour trouver le véritable optimum global.

⚙️ Comment nous l'avons construit
Nous avons construit un prototype d'évaluation comparative en utilisant Python et Google Colab, en testant trois moteurs distincts :

L'heuristique classique : Un solveur glouton basé sur le temps de traitement le plus court pondéré (WSPT).
La référence exhaustive : Un algorithme de force brute pour cartographier le véritable optimum mathématique sur de petits ensembles de navires.
L'algorithme hybride quantique-classique : En utilisant Qiskit, nous avons formulé l'attribution spatiale (Quel navire va à quel poste ?) comme un modèle d'optimisation quadratique binaire sans contrainte (QUBO). Nous l'avons transmis à un algorithme d'optimisation quantique approximative (QAOA) utilisant un optimiseur COBYLA pour trouver l'état de plus basse énergie. Une fois que le simulateur quantique s'est effondré vers un regroupement spatial valide, nous avons renvoyé les données au processeur classique (CPU) pour gérer le tri temporel en utilisant la règle WSPT ($w_j/p_j$).

🚧 Les défis que nous avons rencontrés

Le "piège glouton" : Nous avons découvert de première main pourquoi les heuristiques classiques échouent. En ajoutant davantage de navires avec des contraintes variées, notre algorithme glouton a privilégié les ratios locaux au détriment d'une vision d'ensemble, créant ainsi des plannings inefficaces.
Formuler le QUBO : Les ordinateurs quantiques n'utilisent pas de boucles for ni d'instructions if. Nous avons dû traduire les contraintes physiques du port en équations mathématiques strictes, par exemple pour s'assurer qu'un navire est assigné à exactement un seul poste en utilisant une variable de décision binaire $x_{v,b}\in{0,1}$ :

$$\sum_{b\in B}x_{v,b}=1\quad\forall v\in V$$

La discrétisation du temps : Encoder le temps dans un état quantique pur nécessite une quantité massive de qubits, ce que les dispositifs quantiques bruités de taille intermédiaire (NISQ) actuels ne peuvent pas gérer. Nous avons surmonté cela en concevant notre architecture hybride, laissant le quantique gérer l'espace et le classique gérer le temps.

🧠 Ce que nous avons appris
Nous avons appris que si l'informatique classique (comme Google OR-Tools) l'emporte actuellement en termes de vitesse et d'échelle pour plus de 50 navires, elle est limitée par son incapacité à évaluer toutes les permutations simultanément. En réussissant à cartographier le BAP sur un circuit quantique, nous avons prouvé que les algorithmes quantiques hybrides peuvent résoudre des problèmes de routage logistique complexes. Q-PORT ne fait pas de fausses promesses sur le quantique ; nous construisons l'infrastructure pour que, dès que le matériel sera arrivé à maturité, l'industrie maritime soit prête à le déployer.

---- ENGLISH

Project Name :

Q-PORT LOGISTIC: The Quantum-Ready Harbor

Elevator Pitch

Tackling the NP-Hard Berth Allocation Problem using a Hybrid Quantum Algorithm (QAOA) to eliminate port congestion and save the global maritime supply chain millions.

About the Project

💡 What Inspired Us
Maritime freight transport is the backbone of the global economy, carrying 90% of world trade volume. However, when millions of dollars worth of cargo ships arrive at a port with limited dock space, scheduling them becomes a mathematical nightmare. This is known as the Berth Allocation Problem (BAP).

Every hour a ship waits costs thousands of dollars (up to $25,000/day per vessel) and causes cascading delays across the global supply chain. Because BAP is an NP-Hard problem, classical computers rely on "guessing" (heuristics) that often fall into the "Greedy Trap"—making shortsighted decisions that create massive bottlenecks later. We wanted to build a "Quantum-Ready" infrastructure that leverages the simultaneous processing power of quantum mechanics to find the true global optimum.

⚙️ How We Built It
We built a comparative benchmarking prototype using Python and Google Colab, testing three distinct engines:

The Classical Heuristic: A Greedy Weighted Shortest Processing Time (WSPT) solver.
The Exhaustive Baseline: A brute-force algorithm to map the true mathematical optimum for small vessel sets.
The Hybrid Quantum-Classical Algorithm: Using Qiskit, we formulated the spatial assignment (Which vessel goes to which berth?) as a Quadratic Unconstrained Binary Optimization (QUBO) model. We passed this to a Quantum Approximate Optimization Algorithm (QAOA) using a COBYLA optimizer to find the lowest-energy state. Once the quantum simulator collapsed into a valid spatial grouping, we handed the data back to the classical CPU to handle the temporal sorting using the WSPT rule ($w_j/p_j$).

🚧 Challenges We Faced

The "Greedy Trap": We discovered firsthand why classical heuristics fail. As we added more vessels with varying constraints, our greedy algorithm prioritized local ratios over the big picture, creating inefficient schedules.
Formulating the QUBO: Quantum computers don't use for loops or if statements. We had to translate physical port constraints into strict mathematical equations, such as ensuring a vessel is assigned to exactly one berth using a binary decision variable $x_{v,b}\in{0,1}$ :

$$\sum_{b\in B}x_{v,b}=1\quad\forall v\in V$$

Time Discretization: Encoding time into a pure quantum state requires a massive amount of qubits, which current Noisy Intermediate-Scale Quantum (NISQ) devices cannot handle. We overcame this by designing our Hybrid architecture, letting quantum handle the space and classical handle the time.

🧠 What We Learned
We learned that while classical computing (like Google OR-Tools) currently wins on speed and scale for 50+ ships, it is limited by its inability to evaluate all permutations simultaneously. By successfully mapping the BAP to a quantum circuit, we proved that hybrid quantum algorithms can solve complex logistics routing. Q-PORT is not hyping quantum; we are building the infrastructure so that the moment hardware matures, the maritime industry is ready to deploy it.