論文の概要: Quantum-Enhanced Reinforcement Learning for Power Grid Security Assessment

• arxiv url: http://arxiv.org/abs/2504.14412v1
• Date: Sat, 19 Apr 2025 21:59:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 00:46:02.612586
• Title: Quantum-Enhanced Reinforcement Learning for Power Grid Security Assessment
• Title（参考訳）: 電力グリッドセキュリティ評価のための量子強化強化学習
• Authors: Benjamin M. Peter, Mert Korkali,
• Abstract要約: グリッド演算子が複雑なネットワークの膨大な決定空間と非線形挙動をナビゲートするために、強化学習(RL)エージェントが提案されている。 RLを電力グリッドセキュリティアセスメントに適用することは、特に厄介な事態解析の問題に対して、スケールすることが困難であることが証明されている。 これらのRLフレームワークへの量子コンピューティングの統合は、計算効率の向上とエージェントの習熟度の向上によってスケールするのに役立つ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increasingly challenging task of maintaining power grid security requires innovative solutions. Novel approaches using reinforcement learning (RL) agents have been proposed to help grid operators navigate the massive decision space and nonlinear behavior of these complex networks. However, applying RL to power grid security assessment, specifically for combinatorially troublesome contingency analysis problems, has proven difficult to scale. The integration of quantum computing into these RL frameworks helps scale by improving computational efficiency and boosting agent proficiency by leveraging quantum advantages in action exploration and model-based interdependence. To demonstrate a proof-of-concept use of quantum computing for RL agent training and simulation, we propose a hybrid agent that runs on quantum hardware using IBM's Qiskit Runtime. We also provide detailed insight into the construction of parameterized quantum circuits (PQCs) for generating relevant quantum output. This agent's proficiency at maintaining grid stability is demonstrated relative to a benchmark model without quantum enhancement using N-k contingency analysis. Additionally, we offer a comparative assessment of the training procedures for RL models integrated with a quantum backend.
• Abstract（参考訳）: 電力グリッドのセキュリティを維持するというますます困難な課題は、革新的なソリューションを必要とする。 格子演算子がこれらの複雑なネットワークの膨大な決定空間と非線形挙動をナビゲートするのを助けるために、強化学習(RL)エージェントを用いた新しいアプローチが提案されている。 しかし, 電力グリッドのセキュリティ評価にRLを適用することは, 特に組合せ的にトラブルの多い並行性解析問題に当てはまるが, スケールが困難であることが証明されている。 これらのRLフレームワークへの量子コンピューティングの統合は、計算効率を向上し、アクション探索とモデルベース相互依存の量子アドバンテージを活用することにより、エージェントの習熟度を高めることによってスケールするのに役立つ。 RLエージェントのトレーニングとシミュレーションに量子コンピューティングを用いた概念実証を行うために,IBMのQiskit Runtimeを用いて量子ハードウェア上で動作するハイブリッドエージェントを提案する。 また、関連する量子出力を生成するためのパラメータ化量子回路(PQC)の構築について、詳細な知見を提供する。 このエージェントのグリッド安定性維持能力は,N-kコンテンシエンス解析を用いて,量子エンハンスメントを伴わないベンチマークモデルに対して実証された。 さらに、量子バックエンドと統合されたRLモデルのトレーニング手順の比較評価を行う。

関連論文リスト

• Quantum-Train-Based Distributed Multi-Agent Reinforcement Learning [5.673361333697935]
  量子トレインに基づく分散マルチエージェント強化学習(Dist-QTRL) 量子トレインに基づく分散マルチエージェント強化学習(Dist-QTRL)を紹介する。
  論文  参考訳（メタデータ） (2024-12-12T00:51:41Z)
• Differentiable Quantum Architecture Search in Asynchronous Quantum Reinforcement Learning [3.6881738506505988]
  トレーニング可能な回路パラメータと構造重み付けを可能にするために、微分可能な量子アーキテクチャ探索(DiffQAS)を提案する。 提案したDiffQAS-QRL手法は,手作業による回路アーキテクチャに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2024-07-25T17:11:00Z)
• Quantum Multi-Agent Reinforcement Learning for Aerial Ad-hoc Networks [0.19791587637442667]
  本稿では,航空通信のユースケースを提示し,それを解くためのハイブリッド量子古典型MLアルゴリズムを提案する。 その結果,古典的アルゴリズムに匹敵する量子化解の性能はわずかに向上した。 これらの有望な結果は、産業関連複雑なユースケースに対するQMARLの可能性を示している。
  論文  参考訳（メタデータ） (2024-04-26T15:57:06Z)
• Generative AI-enabled Quantum Computing Networks and Intelligent Resource Allocation [80.78352800340032]
  量子コンピューティングネットワークは、大規模な生成AI計算タスクと高度な量子アルゴリズムを実行する。 量子コンピューティングネットワークにおける効率的なリソース割り当ては、量子ビットの可変性とネットワークの複雑さのために重要な課題である。 我々は、生成学習から量子機械学習まで、最先端強化学習(RL)アルゴリズムを導入し、最適な量子リソース割り当てを行う。
  論文  参考訳（メタデータ） (2024-01-13T17:16:38Z)
• Stochastic Quantum Power Flow for Risk Assessment in Power Systems [0.0]
  本稿では,電力系統における量子電力フロー(SQPF)解析のための最初の量子コンピューティングフレームワークを紹介する。 提案手法は, 量子状態を利用して電力フロー分布を符号化し, ラインオーバーロードの確率を効率的に評価する。 提案手法を2つのテストシステム上で検証し,精度を維持しつつ,サンプルの複雑さを低減させる量子アルゴリズムの計算的優位性を実証した。
  論文  参考訳（メタデータ） (2023-10-03T16:59:26Z)
• Elastic Entangled Pair and Qubit Resource Management in Quantum Cloud Computing [73.7522199491117]
  量子クラウドコンピューティング(QCC)は、量子コンピューティングリソースを効率的に提供するための有望なアプローチを提供する。 ユーザ需要の変動と量子回路の要求は、効率的なリソース供給のために困難である。 本稿では、量子コンピューティングとネットワークリソースのプロビジョニングのためのリソース割り当てモデルを提案する。
  論文  参考訳（メタデータ） (2023-07-25T00:38:46Z)
• Quantum Annealing for Single Image Super-Resolution [86.69338893753886]
  単一画像超解像(SISR)問題を解くために,量子コンピューティングに基づくアルゴリズムを提案する。 提案したAQCアルゴリズムは、SISRの精度を維持しつつ、古典的なアナログよりも向上したスピードアップを実現する。
  論文  参考訳（メタデータ） (2023-04-18T11:57:15Z)
• Synergy Between Quantum Circuits and Tensor Networks: Short-cutting the Race to Practical Quantum Advantage [43.3054117987806]
  本稿では,量子回路の初期化を最適化するために,古典計算資源を利用するスケーラブルな手法を提案する。 本手法は, PQCのトレーニング性, 性能を, 様々な問題において著しく向上させることを示す。 古典的コンピュータを用いて限られた量子資源を増強する手法を実証することにより、量子コンピューティングにおける量子と量子に着想を得たモデル間の相乗効果を実証する。
  論文  参考訳（メタデータ） (2022-08-29T15:24:03Z)
• QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
  SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。 短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
  論文  参考訳（メタデータ） (2022-07-14T12:22:51Z)
• Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
  本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。 この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。 GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2022-04-18T21:45:13Z)
• Quantum Architecture Search via Continual Reinforcement Learning [0.0]
  本稿では,量子回路アーキテクチャを構築するための機械学習手法を提案する。 本稿では、この回路設計課題に取り組むために、ディープラーニング(PPR-DQL)フレームワークを用いた確率的ポリシー再利用を提案する。
  論文  参考訳（メタデータ） (2021-12-10T19:07:56Z)
• Entangling Quantum Generative Adversarial Networks [53.25397072813582]
  量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。 EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
  論文  参考訳（メタデータ） (2021-04-30T20:38:41Z)

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。