Fugu-MT 論文翻訳(概要): Quantum Neural Networks for Power Flow Analysis

論文の概要: Quantum Neural Networks for Power Flow Analysis

arxiv url: http://arxiv.org/abs/2311.06293v2
Date: Sun, 10 Mar 2024 15:49:57 GMT
ステータス: 処理完了
システム内更新日: 2024-03-13 15:16:57.418713
Title: Quantum Neural Networks for Power Flow Analysis
Title（参考訳）: 電力流動解析のための量子ニューラルネットワーク
Authors: Zeynab Kaseb, Matthias Moller, Giorgio Tosti Balducci, Peter Palensky, Pedro P. Vergara
Abstract要約: 本稿では、電力フロー解析における量子およびハイブリッド量子古典ニューラルネットワークの可能性について検討する。また, 量子, ハイブリッド量子古典, 古典ニューラルネットワークの系統的性能比較を行った。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper explores the potential application of quantum and hybrid quantum-classical neural networks in power flow analysis. Experiments are conducted using two datasets based on 4-bus and 33-bus test systems. A systematic performance comparison is also conducted among quantum, hybrid quantum-classical, and classical neural networks. The comparison is based on (i) generalization ability, (ii) robustness, (iii) training dataset size needed, (iv) training error, and (v) training process stability. The results show that the developed hybrid quantum-classical neural network outperforms both quantum and classical neural networks, and hence can improve deep learning-based power flow analysis in the noisy-intermediate-scale quantum (NISQ) and fault-tolerant quantum (FTQ) era.
Abstract（参考訳）: 本稿では,量子ニューラルネットワークとハイブリッド量子古典ニューラルネットワークのパワーフロー解析への応用について検討する。 4-busと33-busのテストシステムに基づく2つのデータセットを用いて実験を行った。また, 量子, ハイブリッド量子古典, 古典ニューラルネットワークの系統的性能比較を行った。比較はそれに基づいています (i)一般化能力、 (ii)堅牢性 (iii)必要なデータセットのサイズを訓練すること。 (iv)訓練ミス、及び (v)訓練プロセスの安定性。その結果、このハイブリッド量子古典ニューラルネットワークは、量子ニューラルネットワークと古典ニューラルネットワークの両方より優れており、ノイズ中規模量子(NISQ)および耐故障量子(FTQ)時代の深層学習に基づく電力フロー解析を改善することができることがわかった。

関連論文リスト

A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文参考訳（メタデータ） (2024-02-23T14:09:41Z)
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)
Deep-Q Learning with Hybrid Quantum Neural Network on Solving Maze Problems [1.4801853435122907]
本研究は,ゲートベース量子コンピューティングモデル上でのトレーニング可能な変分量子回路(VQC)を用いて,モデルフリー強化学習問題における量子利得の可能性について検討する。我々は、最新のQiskitとPyTorchフレームワークに基づいて、新しいハイブリッド量子ニューラルネットワークを設計、訓練した。我々の研究は、迷路の問題を解決するための深層量子学習の可能性や、他の強化学習の問題に関する洞察を提供する。
論文参考訳（メタデータ） (2023-04-20T08:32:58Z)
Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
論文参考訳（メタデータ） (2022-12-29T10:46:40Z)
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)
QDCNN: Quantum Dilated Convolutional Neural Network [1.52292571922932]
量子拡張畳み込みニューラルネットワーク(QDCNN)と呼ばれる新しいハイブリッド量子古典型アルゴリズムを提案する。提案手法は,現代のディープラーニングアルゴリズムに広く応用されている拡張畳み込みの概念を,ハイブリッドニューラルネットワークの文脈にまで拡張する。提案したQDCNNは,量子畳み込み過程において,計算コストを低減しつつ,より大きなコンテキストを捉えることができる。
論文参考訳（メタデータ） (2021-10-29T10:24:34Z)
Comparing concepts of quantum and classical neural network models for image classification task [0.456877715768796]
本資料は、ハイブリッド量子古典ニューラルネットワークのトレーニングと性能に関する実験結果を含む。シミュレーションは時間を要するが、量子ネットワークは時間を要するが、古典的なネットワークを克服する。
論文参考訳（メタデータ） (2021-08-19T18:49:30Z)
The dilemma of quantum neural networks [63.82713636522488]
量子ニューラルネットワーク(QNN)は、古典的な学習モデルに対して何の恩恵も与えないことを示す。 QNNは、現実世界のデータセットの一般化が不十分な、極めて限られた有効モデル能力に悩まされている。これらの結果から、現在のQNNの役割を再考し、量子的優位性で現実の問題を解決するための新しいプロトコルを設計せざるを得ない。
論文参考訳（メタデータ） (2021-06-09T10:41:47Z)
Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文参考訳（メタデータ） (2021-05-30T12:19:27Z)
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)
Entanglement Classification via Neural Network Quantum States [58.720142291102135]
本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
論文参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。