論文の概要: Optimizing Low-Energy Carbon IIoT Systems with Quantum Algorithms: Performance Evaluation and Noise Robustness
- arxiv url: http://arxiv.org/abs/2503.00888v1
- Date: Sun, 02 Mar 2025 13:13:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-05 19:17:29.322458
- Title: Optimizing Low-Energy Carbon IIoT Systems with Quantum Algorithms: Performance Evaluation and Noise Robustness
- Title（参考訳）: 量子アルゴリズムによる低エネルギー炭素IIoTシステムの最適化:性能評価とノイズロバスト性
- Authors: Kshitij Dave, Nouhaila Innan, Bikash K. Behera, Shahid Mumtaz, Saif Al-Kuwari, Ahmed Farouk,
- Abstract要約: 低エネルギーのモノのインターネット(IoT)システムは持続可能な開発に不可欠である。
我々はPennylane(QNN-P)、Qiskit(QNN-Q)、ハイブリッド量子ニューラルネットワーク(QNN-H)の3つの量子アルゴリズムを紹介する。
RODDデータセットでは、QNN-Pが0.95で、QNN-Hが0.91、QNN-Qが0.80で、QNN-Pが0.94、QNN-H 0.87、QNN-Q 0.74で最高精度を達成した。
- 参考スコア（独自算出の注目度）: 22.867189884561768
- License:
- Abstract: Low-energy carbon Internet of Things (IoT) systems are essential for sustainable development, as they reduce carbon emissions while ensuring efficient device performance. Although classical algorithms manage energy efficiency and data processing within these systems, they often face scalability and real-time processing limitations. Quantum algorithms offer a solution to these challenges by delivering faster computations and improved optimization, thereby enhancing both the performance and sustainability of low-energy carbon IoT systems. Therefore, we introduced three quantum algorithms: quantum neural networks utilizing Pennylane (QNN-P), Qiskit (QNN-Q), and hybrid quantum neural networks (QNN-H). These algorithms are applied to two low-energy carbon IoT datasets room occupancy detection (RODD) and GPS tracker (GPSD). For the RODD dataset, QNN-P achieved the highest accuracy at 0.95, followed by QNN-H at 0.91 and QNN-Q at 0.80. Similarly, for the GPSD dataset, QNN-P attained an accuracy of 0.94, QNN-H 0.87, and QNN-Q 0.74. Furthermore, the robustness of these models is verified against six noise models. The proposed quantum algorithms demonstrate superior computational efficiency and scalability in noisy environments, making them highly suitable for future low-energy carbon IoT systems. These advancements pave the way for more sustainable and efficient IoT infrastructures, significantly minimizing energy consumption while maintaining optimal device performance.
- Abstract（参考訳）: 低エネルギーのカーボン・インターネット・オブ・モノ(IoT)システムは、二酸化炭素排出量を削減し、効率的なデバイス性能を確保するため、持続可能な開発に不可欠である。
古典的なアルゴリズムは、これらのシステム内でエネルギー効率とデータ処理を管理するが、スケーラビリティとリアルタイム処理の制限に直面していることが多い。
量子アルゴリズムは、より高速な計算を提供し、最適化を改善し、低エネルギーのカーボンIoTシステムの性能と持続性の両方を向上させることで、これらの課題に対する解決策を提供する。
そこで我々はPennylane(QNN-P)、Qiskit(QNN-Q)、ハイブリッド量子ニューラルネットワーク(QNN-H)の3つの量子アルゴリズムを導入した。
これらのアルゴリズムは、低エネルギーの炭素IoTデータセット2つのルーム占有検知(RODD)とGPSトラッカー(GPSD)に適用される。
RODDデータセットでは、QNN-Pが0.95で、QNN-Hが0.91、QNN-Qが0.80で最高精度を達成した。
同様に、GPSDデータセットでは、QNN-Pの精度は0.94、QNN-H 0.87、QNN-Q 0.74に達した。
さらに、これらのモデルのロバスト性は6つのノイズモデルに対して検証される。
提案した量子アルゴリズムは、ノイズの多い環境での計算効率とスケーラビリティに優れており、将来の低エネルギー炭素IoTシステムに非常に適している。
これらの進歩は、より持続的で効率的なIoTインフラストラクチャの道を開き、最適なデバイス性能を維持しながら、エネルギー消費を著しく最小化します。
関連論文リスト
- Survey of Quantization Techniques for On-Device Vision-based Crack Detection [5.967661928760498]
構造的健康モニタリング(SHM)は、インフラの安全性と長寿を保証する。
UAVと組み合わせた視覚ベースの亀裂検出は、従来のセンサーベースのSHM手法の限界に対処する。
本研究では、MobileNetV1x0.25とMobileNetV2x0.5の2つの軽量畳み込みニューラルネットワークモデルを評価する。
論文 参考訳（メタデータ） (2025-02-04T12:29:29Z) - Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。
BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。
我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
論文 参考訳（メタデータ） (2024-12-03T19:20:08Z) - Resource-Efficient Sensor Fusion via System-Wide Dynamic Gated Neural Networks [16.0018681576301]
我々はQuantile-Constrained Inference (QIC)と呼ばれる新しいアルゴリズム戦略を提案する。
QICは、上記のシステムのすべての側面について、共同で高品質で迅速な決定を行います。
結果,QICは最適値と一致し,選択肢を80%以上上回っていることを確認した。
論文 参考訳（メタデータ） (2024-10-22T06:12:04Z) - Q-SNNs: Quantized Spiking Neural Networks [12.719590949933105]
スパイキングニューラルネットワーク(SNN)はスパーススパイクを利用して情報を表現し、イベント駆動方式で処理する。
シナプス重みと膜電位の両方に量子化を適用する軽量でハードウェアフレンドリな量子化SNNを提案する。
本稿では,情報エントロピー理論にインスパイアされた新しいウェイトスパイクデュアルレギュレーション(WS-DR)法を提案する。
論文 参考訳（メタデータ） (2024-06-19T16:23:26Z) - LitE-SNN: Designing Lightweight and Efficient Spiking Neural Network through Spatial-Temporal Compressive Network Search and Joint Optimization [48.41286573672824]
スパイキングニューラルネットワーク(SNN)は人間の脳の情報処理機構を模倣し、エネルギー効率が高い。
本稿では,空間圧縮と時間圧縮の両方を自動ネットワーク設計プロセスに組み込むLitE-SNNという新しい手法を提案する。
論文 参考訳（メタデータ） (2024-01-26T05:23:11Z) - Energy-Efficient On-Board Radio Resource Management for Satellite
Communications via Neuromorphic Computing [59.40731173370976]
本研究は,エネルギー効率のよい脳誘発機械学習モデルのオンボード無線リソース管理への応用について検討する。
関連するワークロードでは、Loihi 2に実装されたスパイクニューラルネットワーク(SNN)の方が精度が高く、CNNベースのリファレンスプラットフォームと比較して消費電力が100ドル以上削減される。
論文 参考訳（メタデータ） (2023-08-22T03:13:57Z) - The Hardware Impact of Quantization and Pruning for Weights in Spiking
Neural Networks [0.368986335765876]
パラメータの量子化とプルーニングは、モデルサイズを圧縮し、メモリフットプリントを削減し、低レイテンシ実行を容易にする。
本研究では,身近な身近なジェスチャー認識システムであるSNNに対して,孤立度,累積的に,そして同時にプルーニングと量子化の様々な組み合わせについて検討する。
本研究では,3次重みまで精度の低下に悩まされることなく,攻撃的パラメータ量子化に対処可能であることを示す。
論文 参考訳（メタデータ） (2023-02-08T16:25:20Z) - Collaborative Intelligent Reflecting Surface Networks with Multi-Agent
Reinforcement Learning [63.83425382922157]
インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。
本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
論文 参考訳（メタデータ） (2022-03-26T20:37:14Z) - FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。
現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。
提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
論文 参考訳（メタデータ） (2021-03-08T03:09:37Z) - FSpiNN: An Optimization Framework for Memory- and Energy-Efficient
Spiking Neural Networks [14.916996986290902]
スパイキングニューラルネットワーク(SNN)は、スパイクタイピング依存の可塑性(STDP)ルールのために教師なし学習機能を提供する。
しかし、最先端のSNNは高い精度を達成するために大きなメモリフットプリントを必要とする。
トレーニングおよび推論処理のためのメモリ効率とエネルギー効率のよいSNNを得るための最適化フレームワークFSpiNNを提案する。
論文 参考訳（メタデータ） (2020-07-17T09:40:26Z) - Widening and Squeezing: Towards Accurate and Efficient QNNs [125.172220129257]
量子化ニューラルネットワーク(QNN)は、非常に安価な計算とストレージオーバーヘッドのため、業界にとって非常に魅力的なものだが、その性能は、完全な精度パラメータを持つネットワークよりも悪い。
既存の手法の多くは、より効果的なトレーニング技術を利用して、特にバイナリニューラルネットワークの性能を高めることを目的としている。
本稿では,従来の完全精度ネットワークで高次元量子化機能に特徴を投影することで,この問題に対処する。
論文 参考訳（メタデータ） (2020-02-03T04:11:13Z)
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。