論文の概要: Application of Quantum Extreme Learning Machines for QoS Prediction of Elevators' Software in an Industrial Context

• arxiv url: http://arxiv.org/abs/2402.12777v2
• Date: Fri, 23 Feb 2024 14:04:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-26 17:10:14.398408
• Title: Application of Quantum Extreme Learning Machines for QoS Prediction of Elevators' Software in an Industrial Context
• Title（参考訳）: 産業環境下におけるエレベータソフトのQoS予測への量子エクストリーム学習マシンの適用
• Authors: Xinyi Wang, Shaukat Ali, Aitor Arrieta, Paolo Arcaini, Maite Arratibel
• Abstract要約: 本稿では、エレベータの文脈におけるQELMの産業応用について、QUELLと呼ばれるアプローチを提案する。 我々は、エレベータのスケジューリングソフトウェアに関連する待ち時間予測にQELMを使用し、ソフトウェア回帰テスト、エレベータデジタルツイン、リアルタイムパフォーマンス予測に応用する。 我々は,QUELLが待ち時間を効率的に予測できることを実証した。
• 参考スコア（独自算出の注目度）: 40.97290640016441
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum Extreme Learning Machine (QELM) is an emerging technique that utilizes quantum dynamics and an easy-training strategy to solve problems such as classification and regression efficiently. Although QELM has many potential benefits, its real-world applications remain limited. To this end, we present QELM's industrial application in the context of elevators, by proposing an approach called QUELL. In QUELL, we use QELM for the waiting time prediction related to the scheduling software of elevators, with applications for software regression testing, elevator digital twins, and real-time performance prediction. The scheduling software has been implemented by our industrial partner Orona, a globally recognized leader in elevator technology. We demonstrate that QUELL can efficiently predict waiting times, with prediction quality significantly better than that of classical ML models employed in a state-of-the-practice approach. Moreover, we show that the prediction quality of QUELL does not degrade when using fewer features. Based on our industrial application, we further provide insights into using QELM in other applications in Orona, and discuss how QELM could be applied to other industrial applications.
• Abstract（参考訳）: QELM(Quantum Extreme Learning Machine)は、量子力学と簡単な学習戦略を利用して、分類や回帰などの問題を効率的に解く技術である。 QELMには多くの潜在的な利点があるが、実際の応用は限られている。 この目的のために、エレベータの文脈におけるQELMの産業応用について、QUELLと呼ばれるアプローチを提案する。 quellでは,エレベータのスケジューリングソフトウェアに関連する待ち時間予測にqelmを使用し,ソフトウェア回帰テスト,エレベータディジタルツイン,リアルタイムパフォーマンス予測などの応用を行っている。 このスケジューリングソフトウェアは、エレベーター技術の世界的なリーダーである産業パートナーのOronaによって実装されました。 我々はquellが待ち時間を効率的に予測できることを実証し、予測品質が従来のmlモデルよりもかなり優れていることを示した。 さらに, quell の予測品質は, 少ない機能では低下しないことを示した。 当社の産業応用に基づいて,オローナの他の用途におけるQELMの利用に関する知見を更に提供し,他の産業応用にQELMを適用する方法について論じる。

関連論文リスト

• Quantum Machine Learning: An Interplay Between Quantum Computing and Machine Learning [54.80832749095356]
  量子機械学習(QML)は、量子コンピューティングの原理と従来の機械学習を組み合わせた急速に成長する分野である。 本稿では,変分量子回路を用いてQMLアーキテクチャを開発する機械学習パラダイムの量子コンピューティングについて述べる。
  論文  参考訳（メタデータ） (2024-11-14T12:27:50Z)
• 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)
• Assessing Quantum Extreme Learning Machines for Software Testing in Practice [6.071493448254842]
  量子ノイズが3つの産業的および実世界の古典的ソフトウェアテストケーススタディにおいてQELMに与える影響について検討する。 その結果,QELMは量子ノイズの影響が大きく,回帰タスクは250%,分類タスクは50%であった。 誤差軽減技術は耐雑音性を高めることができるが、平均3.0%の性能低下を達成することはできるが、その効果は文脈によって異なる。
  論文  参考訳（メタデータ） (2024-10-20T20:17:58Z)
• Quantum Computing Enhanced Service Ecosystem for Simulation in Manufacturing [56.61654656648898]
  本稿では,製造シミュレーションのための量子コンピューティングによるサービスエコシステムの枠組みを提案する。 我々は,これらの新しい計算パラダイムを定量的に評価することを目的とした2つの高価値ユースケースを分析した。
  論文  参考訳（メタデータ） (2024-01-19T11:04:14Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• Benchmarking Automated Machine Learning Methods for Price Forecasting Applications [58.720142291102135]
  自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。 CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。 本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
  論文  参考訳（メタデータ） (2023-04-28T10:27:38Z)
• Quality Assurance in MLOps Setting: An Industrial Perspective [0.11470070927586014]
  機械学習(ML)は、産業において、プロダクションシステムのコア機能を提供するために広く使われている。 生産需要と時間の制約のため、自動化されたソフトウェアエンジニアリングプラクティスは高い適用性を持つ。 本稿では,産業MLOpsにおけるQA課題について検討し,データ整合性とデータ品質を扱うためのモジュール戦略を概念化する。
  論文  参考訳（メタデータ） (2022-11-23T05:02:24Z)
• A Reinforcement Learning Framework for PQoS in a Teleoperated Driving Scenario [18.54699818319184]
  PQoS機能を実装したRANレベルで実装された新しいエンティティの設計を提案する。 具体的には,学習者の報酬関数の設計に焦点をあて,要求が満たされない場合,見積もりを適切な対策に変換することができる。 我々は, ns-3シミュレーションを用いて, 遠隔運転のようなシナリオにおいて, エンドユーザーのQoE(Quality of Experience, QoE)パフォーマンスにおいて, 最良のトレードオフを実現することを実証した。
  論文  参考訳（メタデータ） (2022-02-04T02:59:16Z)
• Predictive Quality of Service (PQoS): The Next Frontier for Fully Autonomous Systems [29.362590041588454]
  自律システムにおいて予測(PQoS)を可能にする方法を提案する。 ネットワーク予測の恩恵を特に受けるユースケースについて論じる。 そして、今後の研究に向けてまだオープンな分野の課題について、光を当てた。
  論文  参考訳（メタデータ） (2021-09-20T08:55:51Z)

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。