論文の概要: Hybrid Quantum Recurrent Neural Network For Remaining Useful Life Prediction
- arxiv url: http://arxiv.org/abs/2504.20823v1
- Date: Tue, 29 Apr 2025 14:41:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:54.940521
- Title: Hybrid Quantum Recurrent Neural Network For Remaining Useful Life Prediction
- Title（参考訳）: 生活予測のためのハイブリッド量子リカレントニューラルネットワーク
- Authors: Olga Tsurkan, Aleksandra Konstantinova, Aleksandr Sedykh, Dmitrii Zhiganov, Arsenii Senokosov, Daniil Tarpanov, Matvei Anoshin, Leonid Fedichkin,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 67.410870290301
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Predictive maintenance in aerospace heavily relies on accurate estimation of the remaining useful life of jet engines. In this paper, we introduce a Hybrid Quantum Recurrent Neural Network framework, combining Quantum Long Short-Term Memory layers with classical dense layers for Remaining Useful Life forecasting on NASA's Commercial Modular Aero-Propulsion System Simulation dataset. Each Quantum Long Short-Term Memory gate replaces conventional linear transformations with Quantum Depth-Infused circuits, allowing the network to learn high-frequency components more effectively. Experimental results demonstrate that, despite having fewer trainable parameters, the Hybrid Quantum Recurrent Neural Network achieves up to a 5% improvement over a Recurrent Neural Network based on stacked Long Short-Term Memory layers in terms of mean root mean squared error and mean absolute error. Moreover, a thorough comparison of our method with established techniques, including Random Forest, Convolutional Neural Network, and Multilayer Perceptron, demonstrates that our approach, which achieves a Root Mean Squared Error of 15.46, surpasses these baselines by approximately 13.68%, 16.21%, and 7.87%, respectively. Nevertheless, it remains outperformed by certain advanced joint architectures. Our findings highlight the potential of hybrid quantum-classical approaches for robust time-series forecasting under limited data conditions, offering new avenues for enhancing reliability in predictive maintenance tasks.
- Abstract（参考訳）: 宇宙空間における予測的メンテナンスは、ジェットエンジンの残りの有用寿命を正確に見積もることに大きく依存している。
本稿では,NASAの商用モジュール型エアロ推進システムシミュレーションデータセット上で,量子長短期記憶層と古典的な高密度な高密度生活予測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。
それぞれの量子長短期記憶ゲートは、従来の線形変換を量子深さ注入回路に置き換え、ネットワークがより効率的に高周波成分を学習できるようにする。
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、平均ルート平均2乗誤差と平均絶対誤差で積み重ねられたLong Short-Term Memory層に基づくリカレントニューラルネットワークよりも最大5%改善できることが示された。
さらに,提案手法をランダムフォレスト,畳み込みニューラルネットワーク,多層パーセプトロンなどの確立した手法と徹底的に比較した結果,ルート平均正方形誤差が15.46であり,それぞれ13.68%,16.21%,7.87%であることがわかった。
それにもかかわらず、ある種の先進的な共同建築よりも優れた性能を保っている。
本研究は, 限られたデータ条件下での堅牢な時系列予測のためのハイブリッド量子古典的手法の可能性を強調し, 予測保守作業における信頼性向上のための新たな方法を提案する。
関連論文リスト
- Toward Practical Quantum Machine Learning: A Novel Hybrid Quantum LSTM for Fraud Detection [0.1398098625978622]
本稿では,不正検出のためのハイブリッド量子古典ニューラルネットワークアーキテクチャを提案する。
重畳や絡み合いなどの量子現象を活用することで、我々のモデルはシーケンシャルトランザクションデータの特徴表現を強化する。
その結果,従来のLSTMベースラインと比較して,精度,精度,リコール,F1スコアの競争力の向上が示された。
論文 参考訳（メタデータ） (2025-04-30T19:09:12Z) - Hybrid Quantum Neural Networks with Amplitude Encoding: Advancing Recovery Rate Predictions [6.699192644249841]
回復率予測は債券投資戦略において重要な役割を担っている。
予測は、高次元の特徴、小さなサンプルサイズ、過剰適合といった課題に直面します。
本稿では,ニューラルネットワークフレームワーク内に一元化量子回路(PQC)を組み込んだハイブリッド量子機械学習モデルを提案する。
論文 参考訳（メタデータ） (2025-01-27T07:27:23Z) - Quantum Kernel-Based Long Short-term Memory for Climate Time-Series Forecasting [0.24739484546803336]
本稿では,量子カーネル法を従来のLSTMアーキテクチャに統合したQK-LSTM(Quantum Kernel-Based Long short-Memory)ネットワークを提案する。
QK-LSTMは、トレーニング可能なパラメータが少ない複雑な非線形依存と時間ダイナミクスをキャプチャする。
論文 参考訳（メタデータ） (2024-12-12T01:16:52Z) - QIANets: Quantum-Integrated Adaptive Networks for Reduced Latency and Improved Inference Times in CNN Models [2.6663666678221376]
畳み込みニューラルネットワーク(CNN)はコンピュータビジョンタスクにおいて大きな進歩を遂げているが、その高い推論時間とレイテンシは現実の応用性を制限している。
従来のGoogLeNet、DenseNet、ResNet-18モデルアーキテクチャを再設計する新しいアプローチであるQIANetを紹介します。
実験の限界にもかかわらず, 提案手法を検証, 評価し, 推論時間の短縮を実証し, 有効精度の保存を行った。
論文 参考訳（メタデータ） (2024-10-14T09:24:48Z) - Quantum-Train Long Short-Term Memory: Application on Flood Prediction Problem [0.8192907805418583]
本研究は、量子機械学習(QML)により訓練された予測長短期記憶(LSTM)モデルに量子トレイン(QT)技術を適用した。
QTテクニックは、QHack 2024のA Matter of Tasteチャレンジで最初に成功したもので、トレーニング可能なパラメータの数を古典的ニューラルネットワーク(NN)のパラメータ数の多対数関数に還元するためにQMLを活用する。
提案手法は,量子埋め込みを必要とせずに従来のデータを直接処理し,学習後の量子コンピューティングリソースとは独立に動作させる。
論文 参考訳（メタデータ） (2024-07-11T15:56:00Z) - 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) - Scaling Limits of Quantum Repeater Networks [62.75241407271626]
量子ネットワーク(QN)は、セキュアな通信、強化されたセンシング、効率的な分散量子コンピューティングのための有望なプラットフォームである。
量子状態の脆弱な性質のため、これらのネットワークはスケーラビリティの観点から大きな課題に直面している。
本稿では,量子リピータネットワーク(QRN)のスケーリング限界について解析する。
論文 参考訳（メタデータ） (2023-05-15T14:57:01Z) - Adaptive, Continuous Entanglement Generation for Quantum Networks [59.600944425468676]
量子ネットワークは情報伝達のために、遠方のノードにおける量子ビット間の絡み合いに依存している。
本稿では、前回の要求からの情報を用いてランダムに生成された量子リンクの選択をガイドする適応型スキームを提案する。
また、遅延性能の違いが量子ネットワークのリソースの最適な割り当ての必要性を示唆する量子メモリ割り当てシナリオについても検討する。
論文 参考訳（メタデータ） (2022-12-17T05:40:09Z) - Layer Ensembles [95.42181254494287]
本稿では,ネットワークの各層に対する独立なカテゴリ分布の集合を考慮した不確実性推定手法を提案する。
その結果,メモリと実行時間が少なくなるモデルが得られた。
論文 参考訳（メタデータ） (2022-10-10T17:52:47Z) - Cluster-Promoting Quantization with Bit-Drop for Minimizing Network
Quantization Loss [61.26793005355441]
クラスタ・プロモーティング・量子化(CPQ)は、ニューラルネットワークに最適な量子化グリッドを見つける。
DropBitsは、ニューロンの代わりにランダムにビットをドロップする標準のドロップアウト正規化を改訂する新しいビットドロップ技術である。
本手法を様々なベンチマークデータセットとネットワークアーキテクチャ上で実験的に検証する。
論文 参考訳（メタデータ） (2021-09-05T15:15:07Z)
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。