論文の概要: A Quantum Inspired Variational Kernel and Explainable AI Framework for Cross Region Solar and Wind Energy Forecasting

• arxiv url: http://arxiv.org/abs/2605.09032v1
• Date: Sat, 09 May 2026 16:16:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.033012
• Title: A Quantum Inspired Variational Kernel and Explainable AI Framework for Cross Region Solar and Wind Energy Forecasting
• Title（参考訳）: 太陽・風力エネルギー予測のための量子インスピレーション型変分カーネルと説明可能なAIフレームワーク
• Abstract要約: 太陽光発電と風力発電の信頼性の高い短地平線予測は、あらゆる現代の電力システムの構造的前提条件である。 これらの懸念を分離する4段階のハイブリッドフレームワークを開発する。 オープン・パブリック・アーカイブのイベリア・ソーラー・ノースシー・ウィンドと混合テキサス・トレースの3つの領域で、提案された構成は、ドメイン予測タスクにおける最強の古典的ベースラインの1パーセント以内に留まっている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable short horizon forecasting of solar and wind generation is a structural prerequisite of any modern power system yet most published forecasters are tuned and evaluated on a single climatic regime and most algorithmic novelty has been concentrated either on classical recurrent networks or on monolithic foundation models that combine forecasting and explanation We develop a four stage hybrid framework that separates these concerns The first stage acquires hourly generation irradiance and surface weather records through public application programming interfaces The second stage trains three classical baselines autoregressive integrated moving average gradient boosted regression trees and a two layer long short term memory network and produces a strong point forecast together with a residual error series The third stage corrects the residual through a quantum inspired variational kernel built on a six qubit hardware efficient ansatz with three repeated entangling layers The fourth stage uses generative artificial intelligence strictly as an explainability layer that reads the measured benchmark numbers and produces a structured natural language interpretation Across three regions drawn from open public archives Iberian solar North Sea wind and a mixed Texas trace the proposed configuration stays within one percentage point of the strongest classical baseline on the in domain forecasting task and the quantum inspired kernel separates calm and stormy weather regimes with a Fisher discriminant ratio approximately fifteen fold higher than a tuned radial basis kernel
• Abstract（参考訳）: ソーラーと風力発電の信頼性の高い短地平線予測は、近代的な電力システムの構造的前提条件であるが、ほとんどの予測者は、単一の気候体制に基づいて調整され評価され、ほとんどのアルゴリズム的ノベルティは、予測と説明を組み合わせた古典的なリカレントネットワークまたはモノリシックな基盤モデルに集中している われわれは、これらの懸念を分離する4段階のハイブリッドフレームワークを開発する 第一段階は、公共のアプリケーション・プログラミング・インタフェースを通じて、時給発生の照射と表面の天気記録を取得する 第二段階の列車は、3つの古典的なベースラインを自動回帰的に統合した平均的な緩やかな回帰木と2階層の長期記憶ネットワークで、後続のエラーシリーズと共に強力なポイント予測を生成する 第三段階は、六ビットのハードウェア上に構築された量子インスピレーションのあるカーネルを通して、残余分を補正する 第三段階は、3段の繰り返しの繰り返しのアルゴリズムを用いて、3つの階層の人工知能を用いて、人工的な階層を使用して、正確に測定されたインテリジェンスな構造と3つの自然の領域の解釈を記述する 第二段階は、北テキサスの領域と北テキサスのランドランドランドランドランドスケープ・ランドスケープ・ランドス・ランドス・ランドスケープ・ランドスケープ・ランドスケープ・ランドスケープの3層で構成されている。

関連論文リスト

• Horizon-specific Expert Fusion for Photovoltaic Power Forecasting [1.6028290648973895]
  短期的な太陽光発電の電力予測は、定期的な太陽周期と気象変動を表すモデルを必要とする。 本研究では、時間的ニューラルモデル、歴史的類似物、状態気候学、勾配木を組み合わせた階層的なアンサンブルを開発する。
  論文  参考訳（メタデータ） (2026-09-14T04:52:00Z)
• Climate-Invariant Conformal Prediction Intervals for Multi-Horizon Solar and Wind Forecasting [1.338174941551702]
  本稿ではブートストラップ・ディバースXGBoostアンサンブル上に構築された非対称・非対称・グループ条件スプリット・コンフォーマル・フレームワークを提案する。 片方の固定された仕様は、太陽の照度と風速の両方において、両半球にまたがる4つの気候学的に異なる場所、地平線を1時間から12時間にわたって評価する。 このフレームワークは、両方のターゲットについてほぼノーミナルなカバレッジを持ち、競合ベースラインと比較して、インターバルスコアを最大35%削減する。
  論文  参考訳（メタデータ） (2026-07-13T12:23:11Z)
• Explainable Forecasting of Scientific Breakthroughs from Concept Network Dynamics [0.4724193227268862]
  本稿では,研究概念間のリンクの出現と拡大を予測できる,説明可能な機械学習手法を提案する。 59の意味的特徴と位相的特徴を用いて、2段階のLightGBMモデルはコンセプトペアの生成と将来の重量を共同で予測する。 次に、これらの予測をエビデンスベースの研究戦略とポリシーに変換する3層決定アーキテクチャについて概説する。
  論文  参考訳（メタデータ） (2026-06-02T16:38:41Z)
• Convergence Theory for Iterative LLM-Based Neural Architecture Search: A Parametric Cross-Entropy Framework with Closed-Form Proxy Reliability [48.83701310501069]
  大規模言語モデル(LLM)は、反復型ニューラルアーキテクチャサーチ(NAS)におけるジェネレータとしてますます使われている。 我々は,LCM-NASを,実行可能プログラム上でのパラメトリッククロスエントロピー(CE)法としてモデル化する。 我々は,(1)エリートアーキテクチャの反復LEM微調整は,LLMファミリーに制限されたCE更新と同等であり,(2)期待されるアーキテクチャ品質はサイクル毎に単調に低下せず,(3)エリートセットの確率は幾何率で一定点に収束する,という6つの結果を示した。
  論文  参考訳（メタデータ） (2026-05-28T15:45:19Z)
• Probabilistic Wind Power Forecasting with Tree-Based Machine Learning and Weather Ensembles [4.622269401777101]
  本稿では, 風力発電の日頭確率予測を, 勾配増進木を用いて行う方法について述べる。 我々は3つの最先端確率予測手法の比較分析を行う。 条件付き拡散モデルにより, 風力発電の総合的確率と点推定値が得られる。
  論文  参考訳（メタデータ） (2026-02-13T15:17:04Z)
• PointNSP: Autoregressive 3D Point Cloud Generation with Next-Scale Level-of-Detail Prediction [87.33016661440202]
  自動回帰ポイントクラウド生成は、長い間、拡散ベースの品質アプローチに遅れを取ってきた。 低解像度で大域的な形状を保った粗大な生成フレームワークであるPointNSPを提案する。 ShapeNetの実験によると、PointNSPは自己回帰パラダイムの中で初めて、最先端(SOTA)生成品質を確立している。
  論文  参考訳（メタデータ） (2025-10-07T06:31:02Z)
• FourCastNet 3: A geometric approach to probabilistic machine-learning weather forecasting at scale [91.84761739154366]
  FourCastNet 3は、確率的アンサンブル予測にスケーラブルで幾何学的な機械学習(ML)アプローチを実装することで、グローバルな気象モデリングを推進している。 FourCastNet 3は、従来のアンサンブルモデルを上回る予測精度を提供し、最良の拡散ベースのメソッドに匹敵する。 その計算効率、中距離確率的スキル、スペクトルの忠実度、およびサブシーズンタイムスケールでのロールアウト安定性は、大規模なアンサンブル予測を通じて気象予知と早期警報システムを改善するための強力な候補となる。
  論文  参考訳（メタデータ） (2025-07-16T11:22:18Z)
• 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)
• TriQXNet: Forecasting Dst Index from Solar Wind Data Using an Interpretable Parallel Classical-Quantum Framework with Uncertainty Quantification [2.9169256573820284]
  地磁気嵐はGPS、衛星通信、電力網などの重要なインフラを破壊する可能性がある。 本研究は、Dst予測のためのハイブリッド古典量子ニューラルネットワークであるTriQXNetを紹介する。 我々のモデルは、古典的および量子コンピューティング、共形予測、およびハイブリッドアーキテクチャ内に説明可能なAI(XAI)を統合する。
  論文  参考訳（メタデータ） (2024-07-09T08:30:42Z)
• $\clubsuit$ CLOVER $\clubsuit$: Probabilistic Forecasting with Coherent Learning Objective Reparameterization [42.215158938066054]
  MQForecasterニューラルネットワークアーキテクチャを多変量ガウス因子モデルで拡張し,構築によるコヒーレンスを実現する。 我々はこの手法をCLOVER(Coherent Learning Objective Reparametrization Neural Network)と呼ぶ。 CLOVERは最先端のコヒーレント予測手法と比較して,スケールしたCRPS予測精度が15%向上した。
  論文  参考訳（メタデータ） (2023-07-19T07:31:37Z)
• Predicting the Stability of Hierarchical Triple Systems with Convolutional Neural Networks [68.8204255655161]
  本稿では,階層型三重項の安定性を予測する畳み込みニューラルネットワークモデルを提案する。 すべてのトレーニングされたモデルは公開されており、純粋な$N$-bodyメソッドよりも200ドルの速さで階層的な3重システムの安定性を予測することができる。
  論文  参考訳（メタデータ） (2022-06-24T17:58:13Z)
• Proofs of network quantum nonlocality aided by machine learning [68.8204255655161]
  我々は[DOI40103/PhysRevLett.123.140]の量子三角形分布の族が、元の証明よりも広い範囲の三角形局所モデルを認めていないことを示した。 我々は、独立な利害関係を持つ二項結果を持つ三角形のシナリオに対して、ネットワークベルの不等式を大量に収集する。
  論文  参考訳（メタデータ） (2022-03-30T18:00:00Z)

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。