論文の概要: A Quantum Neural Network Regression for Modeling Lithium-ion Battery Capacity Degradation

• arxiv url: http://arxiv.org/abs/2302.02547v1
• Date: Mon, 6 Feb 2023 03:28:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-07 17:39:41.900434
• Title: A Quantum Neural Network Regression for Modeling Lithium-ion Battery Capacity Degradation
• Title（参考訳）: リチウムイオン電池容量劣化モデルのための量子ニューラルネットワーク回帰
• Authors: Anh Phuong Ngo, Nhat Le, Hieu T. Nguyen, Abdullah Eroglu and Duong T. Nguyen
• Abstract要約: 本稿では,LiB劣化モデルを捉えるために,古典的量子ハイブリッド機械学習手法を提案する。 私たちの研究は、最近の量子コンピュータの進歩と、ニューラルネットワークと量子回路の類似性によって動機付けられています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given the high power density low discharge rate and decreasing cost rechargeable lithium-ion batteries LiBs have found a wide range of applications such as power grid level storage systems electric vehicles and mobile devices. Developing a framework to accurately model the nonlinear degradation process of LiBs which is indeed a supervised learning problem becomes an important research topic. This paper presents a classical-quantum hybrid machine learning approach to capture the LiB degradation model that assesses battery cell life loss from operating profiles. Our work is motivated by recent advances in quantum computers as well as the similarity between neural networks and quantum circuits. Similar to adjusting weight parameters in conventional neural networks the parameters of the quantum circuit namely the qubits degree of freedom can be tuned to learn a nonlinear function in a supervised learning fashion. As a proof of concept paper our obtained numerical results with the battery dataset provided by NASA demonstrate the ability of the quantum neural networks in modeling the nonlinear relationship between the degraded capacity and the operating cycles. We also discuss the potential advantage of the quantum approach compared to conventional neural networks in classical computers in dealing with massive data especially in the context of future penetration of EVs and energy storage.
• Abstract（参考訳）: 高電力密度の低放電率と低コスト充電可能なリチウムイオン電池libsは、電力グリッドレベルの蓄電システムやモバイルデバイスなど、幅広い用途に応用されている。 教師付き学習問題であるLiBの非線形劣化過程を正確にモデル化するフレームワークの開発は重要な研究課題となっている。 本稿では,動作プロファイルから電池寿命を推定するlib分解モデルを取り込むために,古典量子ハイブリッド機械学習手法を提案する。 私たちの研究は、最近の量子コンピュータの進歩と、ニューラルネットワークと量子回路の類似性によって動機付けられています。 従来のニューラルネットワークの重みパラメータの調整と同様に、量子回路のパラメータ、すなわち自由度を調整して教師付き学習方法で非線形関数を学習することができる。 概念実証として,nasaが提供するバッテリデータセットを用いた数値計算により,劣化容量と動作サイクルの非線形関係をモデル化する量子ニューラルネットワークの能力を示す。 また、特に将来のevの普及とエネルギー貯蔵の文脈において、古典的コンピュータにおける従来のニューラルネットワークと比較して量子アプローチの潜在的な利点について論じる。

関連論文リスト

• Leveraging Pre-Trained Neural Networks to Enhance Machine Learning with Variational Quantum Circuits [48.33631905972908]
  我々は、事前学習されたニューラルネットワークを用いて変分量子回路(VQC)を強化する革新的なアプローチを導入する。 この手法は近似誤差をキュービット数から効果的に分離し、制約条件の必要性を除去する。 我々の結果はヒトゲノム解析などの応用にまで拡張され、我々のアプローチの幅広い適用性を示している。
  論文  参考訳（メタデータ） (2024-11-13T12:03:39Z)
• Efficient Learning for Linear Properties of Bounded-Gate Quantum Circuits [63.733312560668274]
  d可変RZゲートとG-dクリフォードゲートを含む量子回路を与えられた場合、学習者は純粋に古典的な推論を行い、その線形特性を効率的に予測できるだろうか? 我々は、d で線形にスケーリングするサンプルの複雑さが、小さな予測誤差を達成するのに十分であり、対応する計算の複雑さは d で指数関数的にスケールすることを証明する。 我々は,予測誤差と計算複雑性をトレードオフできるカーネルベースの学習モデルを考案し,多くの実践的な環境で指数関数からスケーリングへ移行した。
  論文  参考訳（メタデータ） (2024-08-22T08:21:28Z)
• QTRL: Toward Practical Quantum Reinforcement Learning via Quantum-Train [18.138290778243075]
  我々はQTRLと呼ばれる強化学習タスクにQuantum-Train法を適用し、古典的なポリシーネットワークモデルを訓練する。 QTRLのトレーニング結果は古典的なモデルであり、推論段階は古典的なコンピュータのみを必要とする。
  論文  参考訳（メタデータ） (2024-07-08T16:41:03Z)
• Bridging Classical and Quantum Machine Learning: Knowledge Transfer From Classical to Quantum Neural Networks Using Knowledge Distillation [0.0]
  本稿では,知識蒸留を用いた古典的ニューラルネットワークから量子ニューラルネットワークへ知識を伝達する新しい手法を提案する。 我々は、LeNetやAlexNetのような古典的畳み込みニューラルネットワーク(CNN)アーキテクチャを教師ネットワークとして活用する。 量子モデルは、MNISTデータセットで0.80%、より複雑なFashion MNISTデータセットで5.40%の平均精度改善を達成する。
  論文  参考訳（メタデータ） (2023-11-23T05:06:43Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Quantum neural networks with deep residual learning [29.929891641757273]
  本稿では,深層残留学習(resqnn)を用いた新しい量子ニューラルネットワークを提案する。 ResQNNは未知のユニタリを学び、驚くべきパフォーマンスを得ることができます。
  論文  参考訳（メタデータ） (2020-12-14T18:11:07Z)
• Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
  本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。 数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。 我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
  論文  参考訳（メタデータ） (2020-06-02T23:38:35Z)
• A Heuristic Quantum-Classical Algorithm for Modeling Substitutionally Disordered Binary Crystalline Materials [1.5399429731150376]
  本稿では, 置換不規則二元晶材料のエネルギーを効率的にモデル化し, 予測する量子古典的アルゴリズムを提案する。 具体的には、格子サイト数で線形にスケールする量子回路を設計し、量子化学シミュレーションのエネルギーを予測するために訓練する。
  論文  参考訳（メタデータ） (2020-04-02T12:37:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。