論文の概要: Quantum Annealing Enhanced Reinforcement Learning for Accurate Remaining Useful Lifetime Prediction

• arxiv url: http://arxiv.org/abs/2606.18503v1
• Date: Tue, 16 Jun 2026 21:32:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:50.904692
• Title: Quantum Annealing Enhanced Reinforcement Learning for Accurate Remaining Useful Lifetime Prediction
• Title（参考訳）: 有効寿命予測のための量子アニーリング強化強化強化学習
• Authors: Manoranjan Gandhudi, Arunkumar V., G. R. Anil, Gangadharan G. R,
• Abstract要約: 劣化予測のための量子アニール拡張埋め込み(Q-QAQL)システムを提案する。 QAQLは、古典的、統計的に重要なベースラインよりも優れています。 その結果、量子劣化誤差は単に理論的なものではなく、予測保守的応用であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.8699280339422538
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Remaining useful life (RUL) estimation is central to predictive maintenance, where an unplanned failure can cost far more than the asset itself. Statistical degradation models miss the strong nonlinearity of real systems, and data-driven models often converge to suboptimal solutions in high-dimensional, non-convex search spaces. We propose a Quantum Annealing enhanced Q-Learning (QAQL) framework that couples the sampling behaviour of quantum annealing with the sequential decision making of Q-learning. Each Q-value update is encoded as a small quadratic unconstrained binary optimization (QUBO) whose ground state is the greedy action; rather than acting as a deterministic optimizer, the annealer returns a distribution over near-optimal actions across many reads, and this stochastic action selection supplies the exploration that curbs premature convergence on nonlinear degradation trajectories. The QUBO is solved on the D-Wave Advantage system using minor embedding, with the annealer woven into the reinforcement-learning loop rather than bolted on after training. We validate QAQL on two public benchmarks: the NASA C-MAPSS turbofan engine datasets and a device-fleet predictive maintenance dataset. Averaged over many independent runs and across six error metrics, QAQL outperforms the classical and quantum baselines considered in this study, with statistically significant improvements. The results indicate that quantum annealing is a usable, not merely theoretical, optimizer inside a reinforcement-learning loop for industrial predictive-maintenance applications.
• Abstract（参考訳）: 有用寿命(RUL)の推定は、計画外の失敗が資産自体よりもはるかにコストがかかるような予測的メンテナンスの中心である。 統計的劣化モデルは実システムの強い非線形性を見逃し、データ駆動モデルは高次元の非凸探索空間における最適解に収束する。 量子アニーリングのサンプリング動作とQ-ラーニングのシーケンシャルな意思決定を結合したQ-Learning(QAQL)フレームワークを提案する。 各Q値更新は、基底状態が欲求作用である小さな二次的非拘束バイナリ最適化(QUBO)として符号化され、決定論的オプティマイザとして振る舞うのではなく、アニーラーは、多くの読み込みにわたって準最適作用の分布を返却し、この確率的行動選択は、劣化劣化軌跡の早期収束を抑制する探索を提供する。 QUBOは、小さな埋め込みを用いてD波アドバンテージシステム上で解決され、アニーラーは訓練後にボルトを刺すのではなく、強化学習ループに織り込まれている。 我々は、NASA C-MAPSSターボファンエンジンデータセットとデバイスフリート予測保守データセットの2つの公開ベンチマークでQAQLを検証する。 多くの独立した実行と6つのエラーメトリクスに対して平均されたQAQLは、この研究で考慮された古典的および量子的ベースラインより優れており、統計的に有意な改善がある。 以上の結果から, 量子アニーリングは, 産業用予測保守用強化学習ループ内における, 単に理論的だけでなく, 最適化に有用であることが示唆された。

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)
• Escaping Barren Plateaus in Variational Quantum Algorithms Using Negative Learning Rate in Quantum Internet of Things [8.98664000532717]
  変分量子アルゴリズム(VQA)は、次世代量子コンピュータの主要な計算プリミティブになりつつある。 デバイスに制約のある実行条件下では、学習のスケーラビリティは不規則な台地によって著しく制限される。 最適化プロセスに負の学習率を含めることで,不毛高原を脱出する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-11-28T03:32:33Z)
• Beyond Outliers: A Study of Optimizers Under Quantization [82.75879062804955]
  量子化下でのモデルロバスト性に対する選択の影響について検討する。 モデルの性能が、異なるベースラインでトレーニングした場合にどのように低下するかを評価する。 異なるパラメータによる量子化対応トレーニングのスケーリング法則を導出する。
  論文  参考訳（メタデータ） (2025-09-27T21:15:22Z)
• End-to-End On-Device Quantization-Aware Training for LLMs at Inference Cost [53.25965863436039]
  量子化対応トレーニング(QAT)は、より原則化されたソリューションを提供するが、バックプロパゲーションに依存しているため、メモリコストは禁じられている。 重み付けとアクティベーション量子化の両方をサポートするゼロオーダー最適化ベースのQATフレームワークであるZeroQATを提案する。 実験の結果、ZeroQATはPTQとQATのベースラインを一貫して上回り、メモリは大幅に削減された。
  論文  参考訳（メタデータ） (2025-08-21T01:18:27Z)
• The Role of Entanglement in Quantum Reservoir Computing with Coupled Kerr Nonlinear Oscillators [0.5999777817331317]
  エンタングルメントは入力周波数の平均値からしきい値までの計算上の優位性を示すことを示す。 これらの知見は、高性能で効率的な量子機械学習と時系列予測のための量子貯水池のより広範な理解に寄与する。
  論文  参考訳（メタデータ） (2025-08-15T02:59:02Z)
• Conservative quantum offline model-based optimization [27.370110767908166]
  オフラインモデルベース最適化(英語: offline model-based optimization, MBO)とは、入力出力データの固定セットのみを使用してブラックボックスの目的関数を最適化するタスクを指す。 最近の研究は、変分量子回路の表現力を利用する量子エクストリームラーニング(QEL)を導入している。 本稿では,QEL を保守的客観モデル (COM) に統合する手法を提案する。
  論文  参考訳（メタデータ） (2025-06-24T15:20:17Z)
• Semiparametric Double Reinforcement Learning with Applications to Long-Term Causal Inference [33.14076284663493]
  短期的なデータから長期的な因果効果を推定しなければならない。 MDPはこのような長期的ダイナミクスを捉えるための自然なフレームワークを提供する。 非パラメトリックな実装は時間間重なりの強い仮定を必要とする。 アイソトニックベルマンキャリブレーションに基づく新しいプラグイン推定器を提案する。
  論文  参考訳（メタデータ） (2025-01-12T20:35:28Z)
• Understanding, Predicting and Better Resolving Q-Value Divergence in Offline-RL [86.0987896274354]
  まず、オフラインRLにおけるQ値推定のばらつきの主な原因として、基本パターン、自己励起を同定する。 そこで本研究では,Q-network の学習における進化特性を測定するために,SEEM(Self-Excite Eigen Value Measure)尺度を提案する。 われわれの理論では、訓練が早期に発散するかどうかを確実に決定できる。
  論文  参考訳（メタデータ） (2023-10-06T17:57:44Z)
• Adaptive Degradation Process with Deep Learning-Driven Trajectory [5.060233857860902]
  RUL(Remaining useful Life)推定は、インテリジェントな予測保守と健康管理の実装において重要な要素である。 本論文では, ハイブリットDNNベースの予後予測モデルを開発し, 適応ドリフトを用いてシステム劣化を特徴づける。 LSTM-CNNエンコーダデコーダを開発し、ノイズ係数とドリフト係数を併用して将来の劣化軌道を予測し、ベイズ推論により適応ドリフトを更新する。
  論文  参考訳（メタデータ） (2021-03-22T06:00:42Z)

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。