論文の概要: Quantum Learning and Estimation for Distribution Networks and Energy Communities Coordination
- arxiv url: http://arxiv.org/abs/2506.11730v1
- Date: Fri, 13 Jun 2025 12:43:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-16 17:50:49.787855
- Title: Quantum Learning and Estimation for Distribution Networks and Energy Communities Coordination
- Title（参考訳）: 配電ネットワークとエネルギーコミュニティ調整のための量子学習と推定
- Authors: Yingrui Zhuang, Lin Cheng, Yuji Cao, Tongxin Li, Ning Qi, Yan Xu, Yue Chen,
- Abstract要約: 本稿では,DNとECの協調性を高めるための量子学習と推定手法を提案する。
我々は、ECの応答とDNの価格インセンティブのエンドツーエンドマッピングを確立するために、ハイブリッド量子時間畳み込みネットワーク長短期記憶(Q-TCN-LSTM)モデルを開発した。
- 参考スコア（独自算出の注目度）: 11.912698640072282
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Price signals from distribution networks (DNs) guide energy communities (ECs) to adjust energy usage, enabling effective coordination for reliable power system operation. However, this coordination faces significant challenges due to the limited availability of information (i.e., only the aggregated energy usage of ECs is available to DNs), and the high computational burden of accounting for uncertainties and the associated risks through numerous scenarios. To address these challenges, we propose a quantum learning and estimation approach to enhance coordination between DNs and ECs. Specifically, leveraging advanced quantum properties such as quantum superposition and entanglement, we develop a hybrid quantum temporal convolutional network-long short-term memory (Q-TCN-LSTM) model to establish an end-to-end mapping between ECs' responses and the price incentives from DNs. Moreover, we develop a quantum estimation method based on quantum amplitude estimation (QAE) and two phase-rotation circuits to significantly accelerate the optimization process under numerous uncertainty scenarios. Numerical experiments demonstrate that, compared to classical neural networks, the proposed Q-TCN-LSTM model improves the mapping accuracy by 69.2% while reducing the model size by 99.75% and the computation time by 93.9%. Compared to classical Monte Carlo simulation, QAE achieves comparable accuracy with a dramatic reduction in computational time (up to 99.99%) and requires significantly fewer computational resources.
- Abstract（参考訳）: 配電ネットワーク(DN)からの価格信号は、エネルギー利用を調整するためのエネルギーコミュニティ(EC)を誘導し、信頼性の高い電力系統運用のための効果的な調整を可能にする。
しかし、この調整は情報の利用が限られている(つまり、ECの総エネルギー使用量はDNに限られている)ことと、多くのシナリオを通じて不確実性や関連するリスクを考慮に入れた計算上の負担が大きいため、大きな課題に直面している。
これらの課題に対処するため,DNとECの協調性を高めるための量子学習と推定手法を提案する。
具体的には、量子重畳や絡み合いなどの高度な量子特性を活用し、ECs応答とDNからの価格インセンティブのエンドツーエンドマッピングを確立するために、ハイブリッド量子時間畳み込みネットワーク長短期メモリ(Q-TCN-LSTM)モデルを開発する。
さらに,量子振幅推定(QAE)と2つの位相回転回路に基づく量子推定法を開発し,多数の不確実性シナリオ下での最適化プロセスを著しく高速化する。
古典的ニューラルネットワークと比較して、提案したQ-TCN-LSTMモデルは、モデルサイズを99.75%、計算時間を93.9%削減しながら、マッピング精度を69.2%向上させる。
古典的モンテカルロシミュレーションと比較すると、QAEは計算時間(最大99.99%)を劇的に削減し、計算資源を著しく少なくする。
関連論文リスト
- HQSI: Hybrid Quantum Swarm Intelligence -- A Case Study of Online Certificate Status Protocol Request Flow Prediction [0.0]
Hybrid Quantum Swarm Intelligence (HQSI)は、前方伝播ニューラルネットワークとして量子ニューラルネットワーク(QNN)モデルを構築する。
HQSIは、最先端の量子最適化アルゴリズムに対するエラーを50%以上削減する。
論文 参考訳（メタデータ） (2025-05-07T06:16:50Z) - Quantum parallel information exchange (QPIE) hybrid network with transfer learning [18.43273756128771]
量子機械学習(QML)は、複雑なパターンを明らかにする可能性のある革新的なフレームワークとして登場した。
量子並列情報交換(QPIE)ハイブリッドネットワークを導入する。
量子処理ユニットにパラメータシフトルールを適用する動的勾配選択法を開発した。
論文 参考訳（メタデータ） (2025-04-05T17:25:26Z) - Efficient optimization of neural network backflow for ab-initio quantum chemistry [0.0]
第2量子化量子化学ハミルトニアンの基底状態は、分子特性を決定する鍵となる。
本研究では,コンパクトな部分空間構築,ゆがんだ局所エネルギー評価,サンプリングの改善,物理インフォームド修正を含む,これらの波動関数を最適化するための改良を開発した。
アブレーション研究は、各エンハンスメントの寄与を強調し、エネルギーの精度と計算効率が著しく向上したことを示している。
論文 参考訳（メタデータ） (2025-02-26T05:31:08Z) - 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) - 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) - 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) - Splitting and Parallelizing of Quantum Convolutional Neural Networks for
Learning Translationally Symmetric Data [0.0]
分割並列化QCNN(sp-QCNN)と呼ばれる新しいアーキテクチャを提案する。
量子回路を翻訳対称性に基づいて分割することにより、sp-QCNNはキュービット数を増やすことなく従来のQCNNを実質的に並列化することができる。
本稿では,sp-QCNNが従来のQCNNと同等の分類精度を達成でき,必要な測定資源を大幅に削減できることを示す。
論文 参考訳（メタデータ） (2023-06-12T18:00:08Z) - DQC$^2$O: Distributed Quantum Computing for Collaborative Optimization
in Future Networks [54.03701670739067]
本稿では、将来のネットワークにおける最適化タスクを解決するために、量子コンピュータと量子チャネルを管理するための適応型分散量子コンピューティング手法を提案する。
提案手法に基づいて,スマートグリッド管理やIoT連携,UAV軌道計画など,今後のネットワークにおける協調最適化の潜在的な応用について論じる。
論文 参考訳（メタデータ） (2022-09-16T02:44:52Z) - Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる
本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。
その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
論文 参考訳（メタデータ） (2022-09-01T17:08:41Z) - Green, Quantized Federated Learning over Wireless Networks: An
Energy-Efficient Design [68.86220939532373]
有限精度レベルは、固定精度フォーマットで重みとアクティベーションを定量化する量子ニューラルネットワーク(QNN)を使用して取得される。
提案するFLフレームワークは,ベースラインFLアルゴリズムと比較して,収束までのエネルギー消費量を最大70%削減することができる。
論文 参考訳（メタデータ） (2022-07-19T16:37:24Z)
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。