論文の概要: Quantum-enhanced long short-term memory with attention for spatial permeability prediction in oilfield reservoirs
- arxiv url: http://arxiv.org/abs/2601.02818v1
- Date: Tue, 06 Jan 2026 08:47:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-07 17:02:12.860428
- Title: Quantum-enhanced long short-term memory with attention for spatial permeability prediction in oilfield reservoirs
- Title（参考訳）: 油田貯水池における空間透過性予測に着目した量子増強長短期記憶
- Authors: Muzhen Zhang, Yujie Cheng, Zhanxiang Lei,
- Abstract要約: 本研究では,変分量子回路(VQC)をリカレントセルに組み込んだQLSTMAモデルを提案する。
量子絡み合いと重ね合わせの原理を用いることで、QLSTMAは透過性のような複雑な地質パラメータを予測する能力を大幅に改善する。
- 参考スコア（独自算出の注目度）: 1.6975704972827306
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Spatial prediction of reservoir parameters, especially permeability, is crucial for oil and gas exploration and development. However, the wide range and high variability of permeability prevent existing methods from providing reliable predictions. For the first time in subsurface spatial prediction, this study presents a quantum-enhanced long short-term memory with attention (QLSTMA) model that incorporates variational quantum circuits (VQCs) into the recurrent cell. Using quantum entanglement and superposition principles, the QLSTMA significantly improves the ability to predict complex geological parameters such as permeability. Two quantization structures, QLSTMA with Shared Gates (QLSTMA-SG) and with Independent Gates (QLSTMA-IG), are designed to investigate and evaluate the effects of quantum structure configurations and the number of qubits on model performance. Experimental results demonstrate that the 8-qubit QLSTMA-IG model significantly outperforms the traditional long short-term memory with attention (LSTMA), reducing Mean Absolute Error (MAE) by 19% and Root Mean Squared Error (RMSE) by 20%, with particularly strong performance in regions featuring complex well-logging data. These findings validate the potential of quantum-classical hybrid neural networks for reservoir prediction, indicating that increasing the number of qubits yields further accuracy gains despite the reliance on classical simulations. This study establishes a foundational framework for the eventual deployment of such models on real quantum hardware and their extension to broader applications in petroleum engineering and geoscience.
- Abstract（参考訳）: 貯水池パラメータの空間的予測、特に透水性は、石油とガスの探査と開発に不可欠である。
しかし、透水性の範囲と高い可変性は、既存の手法が信頼性のある予測を提供するのを妨げている。
本研究では, 変分量子回路(VQC)をリカレントセルに組み込んだQLSTMAモデルを提案する。
量子絡み合いと重ね合わせの原理を用いることで、QLSTMAは透過性のような複雑な地質パラメータを予測する能力を大幅に改善する。
共有ゲート付きQLSTMA(QLSTMA-SG)と独立ゲート付きQLSTMA-IG(QLSTMA-IG)の2つの量子化構造は、量子構造構成と量子ビット数がモデル性能に与える影響を調査・評価するために設計されている。
実験の結果,8-qubit QLSTMA-IGモデルは従来の長期メモリ(LSTMA)を大幅に上回り,平均絶対誤差(MAE)を19%削減し,Root Mean Squared Error(RMSE)を20%削減した。
これらの結果は、量子古典的ハイブリッドニューラルネットワークの貯水池予測の可能性を検証するものであり、古典的なシミュレーションに依存するにもかかわらず、量子ビットの数が増加するとさらに精度が向上することを示している。
本研究は、実際の量子ハードウェア上にそのようなモデルを最終的に展開するための基礎的枠組みを確立し、石油工学と地球科学の幅広い応用に拡張するものである。
関連論文リスト
- Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。
近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。
QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
論文 参考訳（メタデータ） (2025-10-15T12:17:23Z) - Quantum-Boosted High-Fidelity Deep Learning [7.198071279424711]
本稿では,大規模かつ長期間安定なハイブリッド量子古典アーキテクチャであるQuantum Boltzmann Machine-Variational Autoencoder (QBM-VAE)を紹介する。
我々のフレームワークは、ボルツマン分布からの効率的なサンプリングのために量子プロセッサを活用し、深層生成モデルにおける強力な先行モデルとしての使用を可能にした。
論文 参考訳（メタデータ） (2025-08-15T03:51:20Z) - Hybrid Quantum Classical Surrogate for Real Time Inverse Finite Element Modeling in Digital Twins [4.978621186982144]
橋、パイプライン、およびオフショアプラットフォームのような大規模な土木構造物は、予期せぬ失敗が経済的・安全的な影響を引き起こす現代のインフラにとって不可欠である。
FEモデリングは、リアルタイム構造健康モニタリング(SHM)に広く用いられているが、その計算コストが高く、逆FE分析の複雑さは、現在進行中の課題である。
本稿では,これらの問題に対処するハイブリッド量子古典多層パーセプトロンフレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-30T04:09:49Z) - VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [50.95799256262098]
変分量子回路(VQC)は量子機械学習を約束するが、表現性、訓練性、耐雑音性の課題に直面している。
本稿では,VQCが学習中に古典多層パーセプトロンの第一層重みを生成するハイブリッドアーキテクチャであるVQC-MLPNetを提案する。
論文 参考訳（メタデータ） (2025-06-12T01:38:15Z) - Hybrid Quantum Recurrent Neural Network For Remaining Useful Life Prediction [67.410870290301]
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。
論文 参考訳（メタデータ） (2025-04-29T14:41:41Z) - Evaluating Effects of Augmented SELFIES for Molecular Understanding Using QK-LSTM [2.348041867134616]
副作用を含む分子特性の同定は、薬物開発において決定的だが時間を要するステップである。
Simplified Molecular Line-Entry System (SMILES) の強化による古典的領域における最近の進歩
本研究は, 分子特性予測と副作用同定の促進に向けた新たな知見を提示する。
論文 参考訳（メタデータ） (2025-04-29T14:03:31Z) - 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) - Data-driven Quantum Dynamical Embedding Method for Long-term Prediction on Near-term Quantum Computers [6.1549556540537855]
量子力学埋め込み(QDE)を用いた時系列予測のためのデータ駆動手法を提案する。
時系列長の独立性に基づき、この手法は深さ効率の高い量子回路を実現する。
数値シミュレーションは、波動信号だけでなく、NARMAのようなより複雑な信号も予測できることを示す。
論文 参考訳（メタデータ） (2023-05-25T12:12:49Z) - Pre-training Tensor-Train Networks Facilitates Machine Learning with Variational Quantum Circuits [70.97518416003358]
変分量子回路(VQC)は、ノイズの多い中間スケール量子(NISQ)デバイス上での量子機械学習を約束する。
テンソルトレインネットワーク(TTN)はVQC表現と一般化を向上させることができるが、結果として得られるハイブリッドモデルであるTTN-VQCは、Polyak-Lojasiewicz(PL)条件による最適化の課題に直面している。
この課題を軽減するために,プレトレーニングTTNモデルとVQCを組み合わせたPre+TTN-VQCを導入する。
論文 参考訳（メタデータ） (2023-05-18T03:08:18Z) - Bayesian Neural Networks for Fast SUSY Predictions [58.720142291102135]
本稿では,機械学習を用いて,BSM理論のパラメータ空間から予測へのマッピングをモデル化する。
3つの量はすべて平均パーセントの誤差3.34%以下でモデル化され、結果が導出される超対称性符号よりもはるかに短い時間でモデル化される。
結果は、機械学習がBSM理論の高次元空間から予測へのマッピングを正確にモデル化する可能性のさらなる実証である。
論文 参考訳（メタデータ） (2020-07-09T01:45:06Z)
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。