論文の概要: Quantum Resource Estimation for Minimising Energy Grid Losses
- arxiv url: http://arxiv.org/abs/2605.03467v1
- Date: Tue, 05 May 2026 07:52:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-06 19:35:43.828248
- Title: Quantum Resource Estimation for Minimising Energy Grid Losses
- Title（参考訳）: エネルギーグリッド損失最小化のための量子資源推定
- Authors: Camille de Valk, Milou van Nederveen, Koen Reerink, Werner van Westering,
- Abstract要約: 本稿では、電力損失低減のための DNR の解法としてゲートベースの量子コンピューティングを利用する方法について検討する。
オランダの流通システムオペレータであるAllianderが運用する実媒体電圧(MV)ネットワークに適用される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Distribution network reconfiguration (DNR) can minimise power losses by identifying the optimal topology of the electricity grid. Determining the minimum loss configuration is NP-hard, and classical optimisation methods struggle to scale to real-world distribution grids. This paper explores the use of gate-based quantum computing to solve DNR for power loss reduction. We formulate DNR as a higher-order unconstrained binary optimisation (HUBO) problem, avoiding the need for auxiliary variables, thereby reducing the required number of qubits. This is applied to a real medium voltage (MV) network operated by Alliander, a Dutch distribution system operator (DSO). For each biconnected component in the network graph, we construct the corresponding HUBO, derive the cost and mixer operators, and determine the number of required logical qubits and rotation gates. These are then mapped to physical qubits and execution time estimates using quantum resource estimation (QRE). The results suggest that the quantum resource requirements depend not only on component size but also on structural characteristics such as connectivity and cyclicity. Overall, the novelty of this work lies in directly framing the optimisation problem as a HUBO, applying it to real-world MV networks, and performing a QRE to assess future feasibility.
- Abstract（参考訳）: 配電網再構成(DNR)は、電力網の最適位相を特定することにより、電力損失を最小限に抑えることができる。
最小損失構成の決定はNPハードであり、古典的な最適化手法は現実世界の分散グリッドにスケールするのに苦労する。
本稿では、電力損失低減のための DNR の解法としてゲートベースの量子コンピューティングを利用する方法について検討する。
我々は、DNRを高次非制約バイナリ最適化(HUBO)問題として定式化し、補助変数の必要性を回避し、必要なキュービット数を削減した。
これは、オランダの流通システムオペレータであるAllianderが運用する実中電圧(MV)ネットワークに適用される。
ネットワークグラフの各二連結成分に対して、対応するHUBOを構築し、コストとミキサー演算子を導出し、必要な論理量子ビットと回転ゲートの数を決定する。
これらは量子リソース推定(QRE)を用いて物理量子ビットと実行時間推定にマッピングされる。
その結果、量子リソースの要求は、コンポーネントのサイズだけでなく、接続性や循環性といった構造的特性にも依存していることが示唆された。
全体として、この研究の新規性は、最適化問題をHUBOとして直接フレーミングし、現実のMVネットワークに適用し、将来の実現可能性を評価するためのQREを実行することである。
関連論文リスト
- Neural Minimum Weight Perfect Matching for Quantum Error Codes [7.525883733645578]
NMWPM(Neural Minimum Weight Perfect Matching)と呼ばれるデータ駆動デコーダを提案する。
その結果,標準基準値よりも論理誤差率 (LER) が有意に低下した。
論文 参考訳（メタデータ） (2026-01-01T07:25:51Z) - Network Operations Scheduling for Distributed Quantum Computing [0.0]
我々は、Make span最小化問題を解くための2つのアプローチを比較し、対比する。
1つのアプローチはリソース制約付きプロジェクトスケジューリング(RCPSP)フレームワークに基づいており、もう1つはgreedyアルゴリズムに基づいている。
以上の結果から, RCPSP フレームワークの有効性を概説するとともに, グリードアルゴリズムの妥当性と有用性について概説した。
論文 参考訳（メタデータ） (2025-11-17T18:40:50Z) - Towards Quantum Algorithms for the Optimization of Spanning Trees: The Power Distribution Grids Use Case [1.6943815984028532]
エネルギーシステムでは、ネットワーク再構成は損失とコストを大幅に削減することができる。
多くの関連する最適化問題はNPハードであり、実用的な応用を制限している。
本稿では、これらのアルゴリズムプリミティブを分散グリッド再構成に適用し、必要な量子資源を定量化する方法を示す。
論文 参考訳（メタデータ） (2025-11-01T15:12:00Z) - An on-demand resource allocation algorithm for a quantum network hub and its performance analysis [0.9148747049384086]
本研究では,ユーザ生成要求に応じて,ノード間の絡み合い発生を可能にするリソースを割り当てる装置であるEntanglement Generation Switch (EGS) と呼ばれる量子ネットワークハブのトラフィックモデルについて検討する。
オンデマンドリソース割り当てアルゴリズムでは、リソースが利用できない場合や、即時リソース割り当ての結果が得られない場合、要求がブロックされる。
我々の研究はESGシステムにおける交通特性を初めて分析し、性能駆動型リソース割り当てアルゴリズムを考案するための貴重な分析ツールを提供する。
論文 参考訳（メタデータ） (2024-05-28T11:25:32Z) - 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) - Learning k-Level Structured Sparse Neural Networks Using Group Envelope Regularization [4.0554893636822]
制約のあるリソースに大規模ディープニューラルネットワークをデプロイするための新しいアプローチを導入する。
この手法は推論時間を短縮し、メモリ需要と消費電力を減らすことを目的とする。
論文 参考訳（メタデータ） (2022-12-25T15:40:05Z) - 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) - Efficient Micro-Structured Weight Unification and Pruning for Neural
Network Compression [56.83861738731913]
ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。
既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。
ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
論文 参考訳（メタデータ） (2021-06-15T17:22:59Z) - Resource Allocation via Graph Neural Networks in Free Space Optical
Fronthaul Networks [119.81868223344173]
本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。
我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。
本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
論文 参考訳（メタデータ） (2020-06-26T14:20:48Z)
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。