論文の概要: Quantum Reservoir Computing for Short-Term Power Load Forecasting in Resource-Constrained Energy Systems

• arxiv url: http://arxiv.org/abs/2606.12806v1
• Date: Thu, 11 Jun 2026 02:05:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.532584
• Title: Quantum Reservoir Computing for Short-Term Power Load Forecasting in Resource-Constrained Energy Systems
• Title（参考訳）: 資源制約エネルギーシステムにおける短期電力負荷予測のための量子貯留層計算
• Authors: Mansi Od, Param Pathak, Nouhaila Innan, Muhammad Shafique,
• Abstract要約: 本研究では,エネルギー負荷予測のためのハードウェア効率の高い量子貯留層計算フレームワークを提案する。 固定量子貯水池は、時間入力ウィンドウを高次元の特徴に変換し、古典的なElastic Netリードアウトのみを訓練する。 その結果、6ビットの読み出し精度は、読み出しメモリを81.2%削減しつつ、完全精度の予測性能を保っていることがわかった。
• 参考スコア（独自算出の注目度）: 2.2133667529581933
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Short-term load forecasting is essential for reliable energy management, but practical deployment on edge devices requires models that remain accurate under limited memory, finite measurement budgets, and hardware noise. This work proposes a hardware-efficient Quantum Reservoir Computing (QRC) framework for energy load forecasting, where a fixed quantum reservoir transforms temporal input windows into high-dimensional features and only a classical Elastic Net readout is trained. To reduce deployment cost, the trained readout is compressed using post-training fixed-point quantization at bit widths from 8 to 2 bits. The framework is evaluated on the Tetouan and Spain energy load datasets under exact statevector simulation, 512-shot finite sampling, and realistic hardware-noise models from IBM FakeTorino and IBM FakeMarrakesh. Results show that 6-bit readout precision preserves full-precision forecasting performance while reducing readout memory by 81.2%. Below this point, degradation becomes dataset dependent, with Tetouan showing stronger sensitivity and Spain degrading more gradually. Hardware-noise validation further shows that the trained readout transfers to noisy reservoir states without retraining. These findings support quantized QRC as a resource-aware forecasting approach for near-term quantum time-series applications.
• Abstract（参考訳）: 短期負荷予測は信頼性の高いエネルギー管理には不可欠であるが、エッジデバイスへの実践的な展開には、限られたメモリ、有限の計測予算、ハードウェアノイズの下で正確なモデルが必要である。 本研究は,エネルギー負荷予測のためのハードウェア効率のよい量子貯留層計算(QRC)フレームワークを提案する。 展開コストを低減するために、トレーニング後の8ビットから2ビットまでのビット幅での固定点量子化を用いて、トレーニング済みの読み出しを圧縮する。 このフレームワークは,IBM FakeTorinoとIBM FakeMarrakeshの512ショットの有限サンプリング,および現実的なハードウェアノイズモデルの下で,テトゥーアンとスペインのエネルギー負荷データセットに基づいて評価されている。 その結果、6ビットの読み出し精度は、読み出しメモリを81.2%削減しつつ、完全精度の予測性能を保っていることがわかった。 この点以下では、分解はデータセット依存となり、テトゥーアンはより強い感度を示し、スペインは徐々に劣化する。 ハードウェアノイズ検証は、トレーニングされた読み出しが、再訓練せずにノイズの多い貯水池状態に転送されることを示す。 これらの知見は、短期量子時系列アプリケーションのためのリソースを考慮した予測手法として量子化QRCをサポートする。

関連論文リスト

• Digital Quantum Reservoir Computing for ATM Time Series Prediction [0.0]
  ATMキャッシュ需要時系列のマルチステップ予測のためのデジタル量子貯水池計算フレームワークについて検討する。 提案手法は,部分的測定とリセットを利用した固定構造を有するパラメタライズされた4ビット貯水池を用いる。 ノイズレスシミュレーション、ノイズ対応エミュレーション、および実際のIQM Spark量子プロセッサを用いて実験を行う。
  論文  参考訳（メタデータ） (2026-06-03T10:11:07Z)
• Scalable Quantum Reservoir Computing over Distributed Quantum Architectures [0.21108097398435335]
  貯留層コンピューティングは、時間を通してバックプロパゲーションの一般的な問題を克服し、単純な読み出し層のみをトレーニングすることで、リカレントニューラルネットワークの代替手段を提供する。 単層または複数(分散)の貯水池と単層または複数(分散)のリッジ・レグレス・リードアウト・レイヤを組み合わせた4つの異なるアーキテクチャを探索し、ベンチマークする。 その結果,平均絶対誤差 (MAE) と平均二乗誤差 (RMSE) を78.8%, 72.3%に削減することにより, 量子化による予測精度の向上が図られた。
  論文  参考訳（メタデータ） (2026-05-06T14:50:19Z)
• Late Breaking Results: Hardware-Efficient Quantum Reservoir Computing via Quantized Readout [2.2133667529581933]
  本稿では,Chebyshev機能符号化,ブロックワークの絡み合い,単一および2キュービットパウリ測定を併用した,固定・未学習量子回路に基づく,ハードウェア効率のよい量子貯留層計算フレームワークを提案する。 本研究では,FP32ベースラインの1%以内の予測精度を8ビット,6ビットの量子化で維持し,それぞれリードアウトメモリを75%,81%削減した。
  論文  参考訳（メタデータ） (2026-04-07T16:55:41Z)
• A Quantized VAE-MLP Botnet Detection Model: A Systematic Evaluation of Quantization-Aware Training and Post-Training Quantization Strategies [2.2940141855172036]
  QAT(Quantization-Aware Training)とPTQ(Post-Training Quantization)の2つの広く利用されている量子化戦略は、検出性能、ストレージ効率、推論レイテンシへの影響について評価されている。 結果: PTQは6倍のスピードアップと21倍のサイズの縮小を実現し,QATは3倍のスピードアップと24倍の圧縮を実現し,デバイスレベルのIoTボットネット検出の量子化の実現性を実証した。
  論文  参考訳（メタデータ） (2025-11-05T05:33:27Z)
• Minimal Quantum Reservoirs with Hamiltonian Encoding [72.27323884094953]
  ハミルトニアン符号化に基づく量子貯水池計算のための最小限のアーキテクチャについて検討する。 このアプローチは、一般的に量子機械学習に関連する実験的なオーバーヘッドの多くを回避します。
  論文  参考訳（メタデータ） (2025-05-28T16:50:05Z)
• RobustState: Boosting Fidelity of Quantum State Preparation via Noise-Aware Variational Training [25.856061402981496]
  量子状態の準備には、量子ビットからターゲット量子状態を生成することが含まれる。 本稿では,高ロバスト性と高トレーニング効率を組み合わせた新しいVQSPトレーニング手法であるRobustStateを提案する。
  論文  参考訳（メタデータ） (2023-11-27T17:55:50Z)
• On-Chip Hardware-Aware Quantization for Mixed Precision Neural Networks [52.97107229149988]
  エッジデバイス上でハードウェア対応の混合精度量子化を行うOn-Chipハードウェア・アウェア量子化フレームワークを提案する。 このパイプラインは、量子化プロセスが量子化演算子の実際のハードウェア効率を知覚することを可能にする。 精度測定のために,マルチチップシナリオにおける演算子の精度への影響を効果的に推定するMask-Guided Quantization Estimation技術を提案する。
  論文  参考訳（メタデータ） (2023-09-05T04:39:34Z)
• DeepGEMM: Accelerated Ultra Low-Precision Inference on CPU Architectures using Lookup Tables [49.965024476651706]
  DeepGEMMはSIMDハードウェア上で超高精度畳み込みニューラルネットワークを実行するためのルックアップテーブルベースのアプローチである。 実装は、x86プラットフォーム上で、対応する8ビット整数カーネルを最大1.74倍の性能で上回る。
  論文  参考訳（メタデータ） (2023-04-18T15:13:10Z)
• 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)

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。