Fugu-MT 論文翻訳(概要): Hybrid Quantum-Classical Machine Learning Algorithms for Multi-Output Time-Series Forecasting at Utility Scale

論文の概要: Hybrid Quantum-Classical Machine Learning Algorithms for Multi-Output Time-Series Forecasting at Utility Scale

arxiv url: http://arxiv.org/abs/2605.24252v1
Date: Fri, 22 May 2026 22:06:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-26 19:50:17.830882
Title: Hybrid Quantum-Classical Machine Learning Algorithms for Multi-Output Time-Series Forecasting at Utility Scale
Title（参考訳）: マルチ出力時系列予測のためのハイブリッド量子古典機械学習アルゴリズム
Authors: Mackenson Polché, Varun Puram, Aditi Lal, Weronika Golletz, Joan Étude Arrow, Vardaan Sahgal, Kumar Ghosh, Giorgio Cortiana, Corey O'Meara,
Abstract要約: エネルギー系における多出力時系列予測は、非線形力学、多スケール季節性、相関系列間の強い依存のために困難である。実際のSmart Meterデータセットを用いたマルチストリーム時系列予測のための2つのハイブリッド量子古典的フレームワークについて検討する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Multi-output time-series forecasting in energy systems is challenging because of nonlinear dynamics, multi-scale seasonality, and strong dependencies across correlated series. In this work, we investigate two hybrid quantum-classical frameworks for multi-stream time-series forecasting on a real Smart Meter dataset comprising 103 household electricity consumption time-series, with experiments executed on the $ibm\_marrakesh$ superconducting quantum processor. The first model, Kernelized Quantum Reservoir Computing with Repeated Measurement (KQRC-RM), combines coupled quantum reservoirs, ancilla-assisted repeated measurement, and kernelized readouts to model temporal dynamics and cross-stream correlations jointly. For a 3-stream time-series input and output, the KQRC-RM model using 114 qubits achieves an MAE of 0.0811 on MPS simulator (36.92\% improvement over its classical analog) whereas performance degrades to an MAE of 0.1524 on hardware. The second, a Projected Quantum Kernel Gaussian Process (QGP), replaces fidelity-based kernels with projected kernels constructed from local reduced-state statistics. Using a topology-aware 100-qubit QGP model to predict 100 multi-output time-series values, we observe 49\% of time-series outputs achieve high-accuracy predictions (MAE $<0.15$), with an average MAE of $0.082$ for this low-error group. The medium-error regime (MAE $0.15$-$0.35$) has an average MAE of $0.229$, while the high-error regime (MAE $>0.35$) has an average MAE of $0.664$. Overall, this reduces the average MAE relative to the classical GP baseline by 62.01\% on MPS simulator and 40.37\% on hardware. Together, these results demonstrate the feasibility of hybrid quantum machine learning for multi-input, multi-output time-series forecasting at the 100+ qubit scale on NISQ devices.
Abstract（参考訳）: エネルギー系における多出力時系列予測は、非線形力学、多スケール季節性、相関系列間の強い依存関係のため困難である。本研究では,103世帯の電力消費時系列からなる実スマートメータデータセット上でのマルチストリーム時系列予測のための2つのハイブリッド量子古典的フレームワークについて検討し,$ibm\_marrakesh$ 超伝導量子プロセッサを用いて実験を行った。最初のモデルであるKQRC-RM(Kernelized Quantum Reservoir Computing with Repeated Measurement)は、結合した量子貯水池、アンシラ支援された繰り返し測定、カーネル化された読み出しを組み合わせ、時間的ダイナミクスとストリーム間の相関をモデル化する。 3ストリームの時系列入力と出力のために、114キュービットのKQRC-RMモデルはMPSシミュレータで0.0811のMAE(古典的なアナログよりも36.92\%改善)を達成するが、性能はハードウェアで0.1524のMAEに低下する。第二に、QGP (Projected Quantum Kernel Gaussian Process) は、有限性に基づくカーネルを局所的な還元状態統計から構築された投影されたカーネルに置き換える。位相対応100量子QGPモデルを用いて100個のマルチ出力時系列を予測し、49 %の時系列出力が高精度な予測(MAE $<0.15$)を達成し、この低エラーグループの平均MAEは0.082$である。中テロ政権(MAE $0.15$-0.35$)は平均で0.229ドル、高テロ政権(MAE $>0.35$)は平均で0.664ドルである。これにより、MPSシミュレータでは62.01\%、ハードウェアでは40.37\%となる。これらの結果は,NISQデバイス上での100以上の量子ビットスケールでのマルチインプット,マルチアウトプットの時系列予測におけるハイブリッド量子機械学習の実現可能性を示すものである。

関連論文リスト

QLIF-CAST: Quantum Leaky-Integrate-and-Fire for Time-Series Weather Forecasting [2.1702673021505245]
この研究は、時系列回帰タスクにQuantum Leaky Integrate-and-Fireのスパイクニューラルネットワークを適用する。 QLIF-CASTは励起ニューロン状態を、Rx回転ゲートとT1緩和崩壊によって駆動される単一量子ビット量子重ね合わせとして符号化する。 IBM Marrakeshのハードウェア検証は信頼性の高い回路実行を確認し、シミュレーションからの平均偏差はわずか1.2%である。
論文参考訳（メタデータ） (2026-05-18T12:49:46Z)
Gated QKAN-FWP: Scalable Quantum-inspired Sequence Learning [38.502127166117674]
量子インスパイアされたKolmogorov-Arnold Network(QKAN)とFWPを統合した高速軽量フレームワークQKAN-FWPを提案する。私たちは、DARUAN(DatA Re-Uploading ActivatioN)として知られる、学習可能な非線形アクティベーションとしてシングルキュービットデータ再ロード回路を使用している。時系列ベンチマーク,MiniGrid強化学習,および実世界の太陽周期予測を主要な実践的結果として取り上げ,その枠組みを評価する。
論文参考訳（メタデータ） (2026-05-07T13:04:09Z)
Partition Function Estimation Using Analog Quantum Processors [4.239775815863115]
我々は、Isingモデルの分割関数を近似するために、プログラマブル超伝導磁束量子ビットD-Wave量子アニールを用いて評価する。高速なクエンチのようなアニールは、古典的イジングモデルの真の分配関数の非常に良い推定値であるアンサンブル分布を迅速に生成できる。
論文参考訳（メタデータ） (2025-12-22T18:58:46Z)
Hybrid Quantum-Classical Neural Networks for Few-Shot Credit Risk Assessment [52.05742536403784]
この仕事は、数発の信用リスク評価の課題に取り組む。我々は、新しいハイブリッド量子古典ワークフローを設計、実装する。量子ニューラルネットワーク(QNN)はパラメータシフト規則によって訓練された。実世界の279のサンプルデータを用いて、QNNはシミュレーションで0.852 +/-0.027の堅牢な平均AUCを達成し、ハードウェア実験で0.88の印象的なAUCを得た。
論文参考訳（メタデータ） (2025-09-17T08:36:05Z)
Calibration of Quantum Devices via Robust Statistical Methods [45.464983015777314]
量子パラメータ学習の最先端技術に対するベイズ推論の高度な統計的手法を数値解析する。既存のアプローチ、すなわち多モード性および高次元性において、これらのアプローチの利点を示す。我々の発見は、オープン量子システムの力学を学習する量子キャラクタリゼーションの課題に応用できる。
論文参考訳（メタデータ） (2025-07-09T15:22:17Z)
FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。条件設定では、太陽予測において優れた性能を達成している。
論文参考訳（メタデータ） (2024-11-12T03:03:23Z)
MixLinear: Extreme Low Resource Multivariate Time Series Forecasting with 0.1K Parameters [6.733646592789575]
時系列予測(LTSF)は、パターンや傾向を特定するために、大量の時系列データを分析することによって、長期的な価値を予測する。トランスフォーマーベースのモデルは高い予測精度を提供するが、ハードウェア制約のあるデバイスにデプロイするには計算集約的すぎることが多い。資源制約のあるデバイスに特化して設計された超軽量時系列予測モデルであるMixLinearを提案する。
論文参考訳（メタデータ） (2024-10-02T23:04:57Z)
MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。予測性能を高めるために3段階の相関を同時に検討する。注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
論文参考訳（メタデータ） (2024-05-30T03:32:44Z)
A Race Track Trapped-Ion Quantum Processor [0.0]
我々は,周期的境界条件を持つ線形トラップに基づく新しい量子電荷結合デバイスを記述し,ベンチマークする。当初は32量子ビットで運用されていたが、将来のアップグレードでさらに拡張される予定だ。
論文参考訳（メタデータ） (2023-05-05T20:07:37Z)
Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文参考訳（メタデータ） (2023-04-14T09:39:06Z)
ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文参考訳（メタデータ） (2021-05-07T11:39:05Z)

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。