論文の概要: Physics-Informed Hybrid Quantum-Classical Dispatching for Large-Scale Renewable Power Systems:A Noise-Resilient Framework
- arxiv url: http://arxiv.org/abs/2601.18482v1
- Date: Mon, 26 Jan 2026 13:35:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-27 15:23:08.84729
- Title: Physics-Informed Hybrid Quantum-Classical Dispatching for Large-Scale Renewable Power Systems:A Noise-Resilient Framework
- Title（参考訳）: 大規模再生可能電力システムのための物理インフォーム型ハイブリッド量子古典分散:耐雑音性フレームワーク
- Authors: Fu Zhang, Yuming Zhao,
- Abstract要約: 高ペネレーションエネルギーは、電力系統のディスパッチ最適化に重大性と非古典性をもたらす。
既存のアプローチでは、電力網を「ブラックボックス」として扱うのが一般的である。
本稿では、PIHQ-CD(Hybrid Quantum-Bridging Dispatching)フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 9.378801906395179
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The integration of high-penetration renewable energy introduces significant stochasticity and non-convexity into power system dispatching, challenging the computational limits of classical optimization. While Variational Quantum Algorithms (VQAs) on Noisy Intermediate-Scale Quantum (NISQ) devices offer a promising path for combinatorial acceleration, existing approaches typically treat the power grid as a "black box", suffering from poor scalability (barren plateaus) and frequent violations of physical constraints. Bridging these gaps, this paper proposes a Physics-Informed Hybrid Quantum-Classical Dispatching (PI-HQCD) framework. We construct a topology-aware Hamiltonian that explicitly embeds linearized power flow equations, storage dynamics, and multi-timescale coupling directly into the quantum substrate, significantly reducing the search space dimensionality. We further derive a noise-adaptive regularization mechanism that theoretically bounds the effective Lipschitz constant of the objective function, guaranteeing convergence stability under realistic quantum measurement noise. Numerical experiments on the IEEE 39-bus benchmark and a 118-bus regional grid demonstrate that PI-HQCD achieves superior economic efficiency and higher renewable utilization compared to stochastic dual dynamic programming (SDDP). Theoretical analysis confirms that this topology-aware design leads to an O(1/N) gradient variance scaling, effectively mitigating barren plateaus and ensuring scalability for larger networks. This work establishes a rigorous paradigm for embedding engineering physics into quantum computing, paving the way for practical quantum advantage in next-generation grid operations.
- Abstract（参考訳）: 高ペネレーション再生エネルギーの統合は、電力系統のディスパッチにかなりの確率性と非凸性をもたらし、古典的な最適化の計算限界に挑戦する。
ノイズのある中間量子(NISQ)デバイス上の変分量子アルゴリズム(VQA)は組合せ加速に有望な経路を提供するが、既存のアプローチでは電力網を「ブラックボックス」として扱い、スケーラビリティの低下(バレンプラトー)と物理的制約の頻繁な違反に悩まされている。
本稿では,これらのギャップを埋めた物理インフォームドハイブリッド量子古典分散(PI-HQCD)フレームワークを提案する。
線形化電力フロー方程式, ストレージダイナミクス, およびマルチスケール結合を直接量子基板に埋め込むトポロジを意識したハミルトニアンを構築し, 探索空間の次元を著しく減少させる。
さらに、現実的な量子計測ノイズ下での収束安定性を保証し、目的関数の有効リプシッツ定数を理論的に束縛する雑音適応正則化機構を導出する。
IEEE 39-busベンチマークと118-busの地域グリッドの数値実験により、PI-HQCDは確率的双対動的プログラミング(SDDP)と比較して、優れた経済効率と高い再生性を達成することが示された。
理論的解析により、このトポロジ対応設計がO(1/N)勾配の分散スケーリングをもたらし、バレン高原を効果的に緩和し、より大きなネットワークのスケーラビリティを確保することが確認された。
この研究は、工学物理学を量子コンピューティングに組み込むための厳密なパラダイムを確立し、次世代グリッド演算における実用的な量子優位性を実現する。
関連論文リスト
- Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
CL-QASは連続的な量子アーキテクチャ検索フレームワークである。
振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。
制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
論文 参考訳（メタデータ） (2026-01-10T02:36:03Z) - TensorHyper-VQC: A Tensor-Train-Guided Hypernetwork for Robust and Scalable Variational Quantum Computing [50.95799256262098]
量子機械学習のための新しいテンソルトレイン(TT)誘導ハイパーネットワークフレームワークであるHyper-VQCを紹介する。
我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに委譲し、量子ハードウェアから最適化を効果的に分離する。
これらの結果から、Hyper-VQCは、短期デバイス上での実用的な量子機械学習を促進するためのスケーラブルで耐雑音性のあるフレームワークとして位置づけられる。
論文 参考訳（メタデータ） (2025-08-01T23:37:55Z) - Hybrid Reward-Driven Reinforcement Learning for Efficient Quantum Circuit Synthesis [0.0]
量子回路の効率的な合成のための強化学習フレームワークが導入された。
このフレームワークは、ターゲット状態に向かってエージェントを誘導する静的なドメインインフォームド報酬と、カスタマイズ可能な動的ペナルティを組み合わせたものだ。
最大7キュービットのグラフ状態準備タスクのベンチマークを行い、アルゴリズムが最小深度回路を常に発見できることを実証した。
論文 参考訳（メタデータ） (2025-07-22T14:39:20Z) - A purely Quantum Generative Modeling through Unitary Scrambling and Collapse [6.647966634235082]
量子スクランブルと崩壊生成モデル(Quantum Scrambling and Collapse Generative Model, QGen)は、古典的な依存関係を排除する純粋量子パラダイムである。
本研究では,学習をトラクタブルなサブプロブレムに分解し,バレンプラトーを緩和する測定に基づく学習原理を導入する。
経験的に、QGenは、有限ショットサンプリングの下で堅牢性を維持しながら、一致したパラメータ予算の下で古典的およびハイブリッド的ベースラインを上回っている。
論文 参考訳（メタデータ） (2025-06-12T11:00:21Z) - 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) - Truncated Variational Hamiltonian Ansatz: efficient quantum circuit design for quantum chemistry and material science [0.0]
本稿では、ノイズ中間スケール量子(NISQ)デバイス上で量子計算を行うための新しい回路設計である、Truncated Variational Hamiltonian Ansatz (tVHA)を紹介する。
提案したアンザッツはパラメータ数を大幅に削減し,回路サイズを大幅に削減し,高精度なトレードオフを実現する。
本稿では, 量子化学におけるtVHAの実用化に焦点をあてるが, その基本原理は, 量子コンピューティングプラットフォームにおける物質科学計算の幅広い分野にまで適用可能であることを示唆している。
論文 参考訳（メタデータ） (2025-05-26T09:54:46Z) - Projective Quantum Eigensolver with Generalized Operators [0.0]
PQEフレームワークにおける閉形式残留方程式の観点から一般化作用素を決定する手法を開発する。
いくつかの分子系への応用により、アンザッツは単体、二重体、三重体を含む(異方性)UCCと同様の精度を達成できることを実証した。
論文 参考訳（メタデータ） (2024-10-21T15:40:22Z) - 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) - Quantum algorithms for quantum dynamics: A performance study on the
spin-boson model [68.8204255655161]
量子力学シミュレーションのための量子アルゴリズムは、伝統的に時間進化作用素のトロッター近似の実装に基づいている。
変分量子アルゴリズムは欠かせない代替手段となり、現在のハードウェア上での小規模なシミュレーションを可能にしている。
量子ゲートコストが明らかに削減されているにもかかわらず、現在の実装における変分法は量子的優位性をもたらすことはありそうにない。
論文 参考訳（メタデータ） (2021-08-09T18:00:05Z)
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。