論文の概要: Forecasting steam mass flow in power plants using the parallel hybrid network

• arxiv url: http://arxiv.org/abs/2307.09483v3
• Date: Wed, 13 Aug 2025 13:33:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.409883
• Title: Forecasting steam mass flow in power plants using the parallel hybrid network
• Title（参考訳）: 並列ハイブリッドネットワークを用いた発電所における蒸気質量流予測
• Authors: Andrii Kurkin, Jonas Hegemann, Mo Kordzanganeh, Alexey Melnikov,
• Abstract要約: 本研究では,パラメタライズド量子回路と従来のフィードフォワードニューラルネットワークを組み合わせた並列ハイブリッドニューラルネットワークアーキテクチャを提案する。 その結果、並列ハイブリッドモデルは、スタンドアロンの古典的および量子的モデルよりも優れていた。 これらの知見は、量子と古典的な機械学習技術の統合が現実世界の課題にどのように適用できるかについての、より広範な科学的理解に寄与する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficient and sustainable power generation is a crucial concern in the energy sector. In particular, thermal power plants grapple with accurately predicting steam mass flow, which is crucial for operational efficiency and cost reduction. In this study, we use a parallel hybrid neural network architecture that combines a parametrized quantum circuit and a conventional feed-forward neural network specifically designed for time-series prediction in industrial settings to enhance predictions of steam mass flow 15 minutes into the future. Our results show that the parallel hybrid model outperforms standalone classical and quantum models, achieving more than 5.7 and 4.9 times lower mean squared error loss on the test set after training compared to pure classical and pure quantum networks, respectively. Furthermore, the hybrid model demonstrates smaller relative errors between the ground truth and the model predictions on the test set, up to 2 times better than the pure classical model. These findings contribute to the broader scientific understanding of how integrating quantum and classical machine learning techniques can be applied to real-world challenges faced by the energy sector, ultimately leading to optimized power plant operations. To our knowledge, this study constitutes the first parallel hybrid quantum-classical architecture deployed on a real-world power-plant dataset, illustrating how near-term quantum resources can already augment classical analytics in the energy sector.
• Abstract（参考訳）: 効率よく持続可能な発電はエネルギーセクターにとって重要な関心事である。 特に、火力発電所は、運転効率とコスト削減に欠かせない蒸気の質量流を正確に予測する。 本研究では, 産業環境での時系列予測に特化して設計された, パラメトリック量子回路と従来のフィードフォワードニューラルネットワークを組み合わせた並列ハイブリッドニューラルネットワークアーキテクチャを用いて, 15分後の蒸気質量流の予測を強化する。 実験の結果, 並列ハイブリッドモデルは, 純粋古典的および純粋量子ネットワークと比較して, トレーニング後の平均2乗誤差損失の5.7倍, 平均2乗誤差損失の4.9倍を達成し, スタンドアロンの古典的および量子モデルよりも優れていた。 さらに、ハイブリッドモデルは、基底真理とテストセット上のモデル予測との相対誤差が、純粋な古典モデルよりも最大2倍小さいことを示す。 これらの知見は、量子と古典的な機械学習技術の統合が、エネルギーセクターが直面している現実的な課題にどのように適用できるかという、より広い科学的理解に寄与する。 我々の知る限り、この研究は、実世界の電力プラントデータセット上にデプロイされた初めての並列ハイブリッド量子古典的アーキテクチャであり、近い将来の量子資源が、エネルギーセクターにおける古典的分析をいかに強化できるかを示している。

関連論文リスト

• Compression-Induced Communication-Efficient Large Model Training and Inferencing [3.581934227767651]
  トレーニングと大規模なニューラルネットワークモデルによる推論のエネルギー効率は重要な課題である。 本稿では,エネルギー消費を最小化するために,ファントム並列方式(ファントム並列方式)を提案する。 実験により,提案したファントム並列手法を用いて,FFNの訓練用エネルギーを50%削減できることが示されている。
  論文  参考訳（メタデータ） (2025-08-01T12:51:40Z)
• Hybrid Quantum Recurrent Neural Network For Remaining Useful Life Prediction [67.410870290301]
  本稿では、量子長短期記憶層と古典的な高密度層を組み合わせたハイブリッド量子リカレントニューラルネットワークフレームワークを提案する。 実験の結果、トレーニング可能なパラメータが少ないにもかかわらず、Hybrid Quantum Recurrent Neural Networkは、リカレントニューラルネットワークよりも最大5%改善できることがわかった。
  論文  参考訳（メタデータ） (2025-04-29T14:41:41Z)
• Integrating Physics and Data-Driven Approaches: An Explainable and Uncertainty-Aware Hybrid Model for Wind Turbine Power Prediction [1.1270209626877075]
  風力エネルギーセクターの急速な成長は、タービンの運転を最適化する緊急の必要性を浮き彫りにしている。 伝統的な経験的モデルと物理学に基づくモデルは、風速に基づく発電の近似予測を提供する。 データ駆動機械学習手法は、風力タービンモデリングを改善するための有望な道を示す。
  論文  参考訳（メタデータ） (2025-02-11T08:16:48Z)
• PearSAN: A Machine Learning Method for Inverse Design using Pearson Correlated Surrogate Annealing [66.27103948750306]
  PearSANは、大きな設計空間を持つ逆設計問題に適用可能な機械学習支援最適化アルゴリズムである。 ピアソン相関代理モデルを用いて、真の設計計量のメリットの図形を予測する。 最先端の最大設計効率は97%で、少なくとも以前の方法よりも桁違いに高速である。
  論文  参考訳（メタデータ） (2024-12-26T17:02:19Z)
• Modeling Nonlinear Oscillator Networks Using Physics-Informed Hybrid Reservoir Computing [0.0]
  本研究では, ハイブリッド型貯水池計算と「専門的」解析モデルを組み合わせることで, ハイブリッド型貯水池計算について検討する。 ハイブリッド型貯水池コンピュータは一般に標準貯水池コンピュータより優れており,パラメータチューニングに対するロバスト性が高いことを示す。 専門家モデルにはアクセスできない動的体制には優れた性能があり、貯水池の貢献を実証している。
  論文  参考訳（メタデータ） (2024-11-07T15:09:23Z)
• Flood Prediction Using Classical and Quantum Machine Learning Models [0.0]
  本研究では,洪水予測の改善を目的とした量子機械学習の可能性について検討する。 私たちは2023年にドイツのウッパー川沿いで毎日の洪水イベントに焦点を合わせています。
  論文  参考訳（メタデータ） (2024-07-01T06:31:41Z)
• Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
  本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。 量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
  論文  参考訳（メタデータ） (2024-02-25T16:57:51Z)
• Photovoltaic power forecasting using quantum machine learning [32.73124984242397]
  太陽パネルの出力予測はエネルギー遷移を促進するために重要であるが、太陽エネルギーの変動性と非線形の性質により複雑である。 我々の研究は、これらの複雑さに対処するために設計されたハイブリッド量子ニューラルネットワークを中心とした一連のソリューションを紹介した。 最初の提案されたモデルであるHybrid Quantum Long Short-Term Memoryは、テスト対象のモデルを平均絶対誤差と平均二乗誤差を40%以上下回っている。 2つ目のモデルであるHybrid Quantum Sequence-to-Sequence Neural Networkは、事前気象データを必要とせずに、任意の時間間隔に対して平均絶対誤差を16%低くして、光電力を予測する。
  論文  参考訳（メタデータ） (2023-12-27T02:37:46Z)
• Deep Convolutional Neural Networks for Short-Term Multi-Energy Demand Prediction of Integrated Energy Systems [49.1574468325115]
  本稿では,多エネルギー消費予測のための畳み込みニューラルネットワーク(CNN)に基づく新しい6つの予測モデルを開発する。 これらのモデルは、新しい統合型電気・熱・ガスネットワークシステムに包括的に適用される。
  論文  参考訳（メタデータ） (2023-12-24T14:56:23Z)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• Cascaded Deep Hybrid Models for Multistep Household Energy Consumption Forecasting [5.478764356647437]
  本研究は,多段階家庭電力消費予測のための2つのハイブリッドキャスケードモデルを提案する。 提案したハイブリッドモデルでは,既存のマルチステップ電力消費予測手法よりも優れた予測性能が得られる。
  論文  参考訳（メタデータ） (2022-07-06T11:02:23Z)
• A Hybrid Model for Forecasting Short-Term Electricity Demand [59.372588316558826]
  現在、英国電気市場は、規制当局が30分毎に発行する負荷(需要)予測によってガイドされている。 本稿では,機能工学(候補予測機能の選択),移動ウィンドウ予測,LSTMエンコーダデコーダを組み合わせたハイブリッド予測モデルHYENAを提案する。
  論文  参考訳（メタデータ） (2022-05-20T22:13:25Z)
• Short-Term Density Forecasting of Low-Voltage Load using Bernstein-Polynomial Normalizing Flows [0.0]
  高いゆらぎと電化の増大は、従来の点推定に反映されない、大きな予測変動を引き起こす。 本稿では,正規化フローに基づく短期負荷のフレキシブルな条件密度予測手法を提案する。
  論文  参考訳（メタデータ） (2022-04-29T08:32:02Z)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• Assessment of weak-coupling approximations on a driven two-level system under dissipation [58.720142291102135]
  我々は, 減散を伴うリウヴィル・ヴォン方程式(Liouville-von equation)と呼ばれる数値的正確かつ非摂動的手法を用いて, 駆動量子ビットについて検討した。 我々は、駆動された量子ビットの定常状態を予測する上で、リンドブラッド方程式の妥当性の規則をマップするために実験で用いられる計量を提案する。
  論文  参考訳（メタデータ） (2020-11-11T22:45:57Z)
• N-BEATS neural network for mid-term electricity load forecasting [8.430502131775722]
  提案手法は,中期電力負荷予測問題の解決に有効であることを示す。 実装と訓練は簡単で、信号前処理は不要であり、予測バイアス低減機構を備えている。 実験的な研究によると、提案されたニューラルネットワークは、正確性と予測バイアスの両方の観点から、すべての競合より明らかに優れています。
  論文  参考訳（メタデータ） (2020-09-24T21:48:08Z)

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。