論文の概要: Solving Differential-Algebraic Equations in Power System Dynamic
Analysis with Quantum Computing
- arxiv url: http://arxiv.org/abs/2306.01961v3
- Date: Tue, 5 Mar 2024 02:36:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 03:30:27.381533
- Title: Solving Differential-Algebraic Equations in Power System Dynamic
Analysis with Quantum Computing
- Title（参考訳）: 量子計算による電力系統の動的解析における微分代数方程式の解法
- Authors: Huynh T. T. Tran, Hieu T. Nguyen, Long Thanh Vu, Samuel T. Ojetola
- Abstract要約: 本稿では、電力系統の動的解析において、DAEを解くために量子コンピューティングアルゴリズムを用いることを実証する。
本稿では,電力系統のDAEを指数還元法を用いて正規微分方程式(ODE)に等価に変換するために,記号型プログラミングフレームワークを利用する。
系の非線形性は、量子線型方程式解法によって状態変数を更新できるように、テイラー展開を切断したハミルトンシミュレーションによって捉えられる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Power system dynamics are generally modeled by high dimensional nonlinear
differential-algebraic equations (DAEs) given a large number of components
forming the network. These DAEs' complexity can grow exponentially due to the
increasing penetration of distributed energy resources, whereas their
computation time becomes sensitive due to the increasing interconnection of the
power grid with other energy systems. This paper demonstrates the use of
quantum computing algorithms to solve DAEs for power system dynamic analysis.
We leverage a symbolic programming framework to equivalently convert the power
system's DAEs into ordinary differential equations (ODEs) using index reduction
methods and then encode their data into qubits using amplitude encoding. The
system nonlinearity is captured by Hamiltonian simulation with truncated Taylor
expansion so that state variables can be updated by a quantum linear equation
solver. Our results show that quantum computing can solve the power system's
DAEs accurately with a computational complexity polynomial in the logarithm of
the system dimension. We also illustrate the use of recent advanced tools in
scientific machine learning for implementing complex computing concepts, i.e.
Taylor expansion, DAEs/ODEs transformation, and quantum computing solver with
abstract representation for power engineering applications.
- Abstract（参考訳）: 電力系統力学は一般に、ネットワークを構成する多数の成分が与えられた高次元非線形微分代数方程式(DAE)によってモデル化される。
これらのdaesの複雑性は分散エネルギー資源の浸透の増加によって指数関数的に増大するが、電力網と他のエネルギーシステムとの相互接続の増大により計算時間が敏感になる。
本稿では,電力系統の動的解析におけるdaesの解法について,量子コンピューティングアルゴリズムを用いて述べる。
本研究では,電力系統のDAEを指数還元法を用いて正規微分方程式(ODE)に等価に変換し,そのデータを振幅符号化を用いて量子ビットに符号化する。
系の非線形性は、停止テイラー展開を伴うハミルトンのシミュレーションによって捉えられ、状態変数は量子線形方程式解法によって更新される。
この結果から,電力系統のDAEを計算複雑性多項式を用いて精度よく解くことが可能であることが示唆された。
また,複雑な計算概念,すなわちtaylor拡張,daes/odes変換,パワーエンジニアリングアプリケーションのための抽象表現を備えた量子コンピューティングソルバを実装するための,最近の科学機械学習における高度なツールの利用についても説明する。
関連論文リスト
- Demonstration of Scalability and Accuracy of Variational Quantum Linear Solver for Computational Fluid Dynamics [0.0]
本稿では,このような大規模方程式系を高精度に解くことを目的とした量子方法論の探索について述べる。
2次元,過渡的,非圧縮的,粘性,非線形結合バーガース方程式をテスト問題とする。
我々の研究結果は、我々の量子法が従来の手法に匹敵する精度で結果をもたらすことを示した。
論文 参考訳（メタデータ） (2024-09-05T04:42:24Z) - 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) - Quantum algorithms to simulate quadratic classical Hamiltonians and optimal control [0.0]
量子アルゴリズムを用いて,古典力学系における興味量を推定する。
古典システムの最適制御を設計する問題は、ラグランジアンの第2変種とみなすことができる。
我々は、リカティ微分方程式を非線形状態にうまく解くための効率的な量子アルゴリズムを与える。
論文 参考訳（メタデータ） (2024-04-10T18:53:22Z) - Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳（メタデータ） (2024-02-20T15:23:24Z) - Towards Quantum Computational Mechanics [1.530480694206666]
本稿では、量子コンピューティングを用いて、計算ホモジェナイゼーションにおける代表要素体積(RVE)問題を解く方法について述べる。
我々の量子RVE解法は古典解法に対して指数加速度を得る。
論文 参考訳（メタデータ） (2023-12-06T12:53:02Z) - Tunable Complexity Benchmarks for Evaluating Physics-Informed Neural
Networks on Coupled Ordinary Differential Equations [64.78260098263489]
本研究では,より複雑に結合した常微分方程式(ODE)を解く物理インフォームドニューラルネットワーク(PINN)の能力を評価する。
PINNの複雑性が増大するにつれて,これらのベンチマークに対する正しい解が得られないことが示される。
PINN損失のラプラシアンは,ネットワーク容量の不足,ODEの条件の低下,局所曲率の高さなど,いくつかの理由を明らかにした。
論文 参考訳（メタデータ） (2022-10-14T15:01:32Z) - Application of a variational hybrid quantum-classical algorithm to heat
conduction equation [8.886131782376246]
この研究は、熱伝導方程式を解くために変分量子線形解法(英語版)(VQLS)という変分ハイブリッド量子古典アルゴリズムを適用した。
VQLSの実装の詳細は、線形システムの様々なテストインスタンスによって議論されている。
このアプローチの時間複雑性は、精度のエプシロンに対数的に依存し、キュービット数 n に線形に依存する。
論文 参考訳（メタデータ） (2022-07-29T12:20:09Z) - Variational Adiabatic Gauge Transformation on real quantum hardware for
effective low-energy Hamiltonians and accurate diagonalization [68.8204255655161]
変分アダバティックゲージ変換(VAGT)を導入する。
VAGTは、現在の量子コンピュータを用いてユニタリ回路の変動パラメータを学習できる非摂動型ハイブリッド量子アルゴリズムである。
VAGTの精度は、RigettiおよびIonQ量子コンピュータ上でのシミュレーションと同様に、トラフ数値シミュレーションで検証される。
論文 参考訳（メタデータ） (2021-11-16T20:50:08Z) - Fixed Depth Hamiltonian Simulation via Cartan Decomposition [59.20417091220753]
時間に依存しない深さの量子回路を生成するための構成的アルゴリズムを提案する。
一次元横フィールドXYモデルにおけるアンダーソン局在化を含む、モデルの特殊クラスに対するアルゴリズムを強調する。
幅広いスピンモデルとフェルミオンモデルに対して正確な回路を提供するのに加えて、我々のアルゴリズムは最適なハミルトニアンシミュレーションに関する幅広い解析的および数値的な洞察を提供する。
論文 参考訳（メタデータ） (2021-04-01T19:06:00Z) - Recurrent Localization Networks applied to the Lippmann-Schwinger
Equation [0.0]
一般化Lippmann-Schwinger (L-S) 型の方程式を解くための新しい機械学習手法を提案する。
学習に基づくループアンロールの一部として、リカレント畳み込みニューラルネットワークを用いて、関心のある分野の制御方程式を反復的に解く。
本研究では, 局所的(ボクセルレベル)弾性ひずみの予測において, 優れた精度が得られる2相弾性局在問題に対する学習手法を示す。
論文 参考訳（メタデータ） (2021-01-29T20:54:17Z) - Linear embedding of nonlinear dynamical systems and prospects for
efficient quantum algorithms [74.17312533172291]
有限非線形力学系を無限線型力学系(埋め込み)にマッピングする方法を述べる。
次に、有限線型系 (truncation) による結果の無限線型系を近似するアプローチを検討する。
論文 参考訳（メタデータ） (2020-12-12T00:01:10Z)
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。