論文の概要: SPLIT-Q: A Scalable Sequential Quantum Computing Framework for Coherent Controlled Islanding

• arxiv url: http://arxiv.org/abs/2608.12711v2
• Date: Wed, 19 Aug 2026 15:02:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 13:35:39.076789
• Title: SPLIT-Q: A Scalable Sequential Quantum Computing Framework for Coherent Controlled Islanding
• Title（参考訳）: SPLIT-Q: Coherent Controled Islandingのためのスケーラブルな逐次量子コンピューティングフレームワーク
• Abstract要約: 制御された島の境界は、妥協されたグリッドを接続された電気的に持続可能な島に分割することで伝播する。 古典的な手法では、ネットワークサイズと島数の増加に伴い、計算コストが急速に増加します。 本研究では,量子ビット結合型逐次分散量子近似最適化アルゴリズム(QAOA)を提案する。
• 参考スコア（独自算出の注目度）: 10.677892416842944
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Growing integration of distributed energy resources increases power-system variability and uncertainty. During disturbances, these effects can intensify generation-load imbalances and cascading failures. Controlled islanding limits their propagation by partitioning a compromised grid into connected, electrically sustainable islands. However, classical methods face rapidly growing computational costs as network size and island count increase. Quantum optimization offers an alternative for exploring this combinatorial partition space. Yet monolithic quantum formulations encode all assignment decisions in one circuit, causing qubit demand and circuit complexity to scale with network size. In this study, a qubit-bounded sequential distributed quantum approximate optimization algorithm (QAOA) framework is proposed to tackle coherent controlled islanding under limited quantum resources. It formulates the optimization as boundary-conditioned regional quadratic unconstrained binary optimization (QUBO) subproblems that are solved sequentially within a fixed qubit budget. Thus, circuit width remains independent of network size, with aggregate quantum workload scaling linearly on bounded-degree networks. Evaluation covers eleven IEEE systems from 9 to 300 buses using IBM quantum computing resources, with Gurobi and monolithic QAOA as references. Across all systems, the framework recovers feasible Gurobi-optimal partitions under noise, confirming the resilience of its solution quality. The results further show that the proposed method substantially reduces quantum-resource demand and circuit complexity relative to monolithic QAOA, allowing large islanding problems to be addressed within current hardware limits. The proposed framework provides a feasible and scalable pathway for quantum optimization in large-scale power systems.
• Abstract（参考訳）: 分散エネルギー資源の統合の増大は、電力系統の変動性と不確実性を高める。 障害の間、これらの効果は発生負荷の不均衡とカスケード障害を増大させる。 コントロールされた島は、妥協されたグリッドを接続された電気的に持続可能な島に分割することで、その伝播を制限する。 しかし,従来の手法では,ネットワークサイズや島数の増加に伴い計算コストが急速に増大する傾向にある。 量子最適化は、この組合せ分割空間を探索する代替手段を提供する。 しかし、モノリシックな量子定式化は、全ての割り当て決定を1つの回路にエンコードし、キュービット要求と回路の複雑さをネットワークサイズでスケールさせる。 本研究では,限定的な量子資源下でのコヒーレント制御型島づくりに取り組むために,量子ビット有界逐次分散量子近似最適化アルゴリズム(QAOA)フレームワークを提案する。 境界条件付き領域2次非制約バイナリ最適化(QUBO)サブプロブレムとして最適化を定式化し、固定キュービット予算内で順次解決する。 したがって、回路幅はネットワークサイズとは無関係であり、集積量子ワークロードは境界度ネットワーク上で線形にスケーリングされる。 IBMの量子コンピューティングリソースを使用して、9から300のバスから11のIEEEシステムを評価し、GurobiとモノリシックQAOAを参考にしている。 すべてのシステムにおいて、このフレームワークはノイズ下で実現可能なGurobi-Optimalパーティションを回復し、そのソリューション品質のレジリエンスを確認する。 さらに,提案手法は,モノリシックQAOAに対する量子リソース需要と回路の複雑さを著しく低減し,現在のハードウェアの限界内での大規模なランディング問題に対処できることが示唆された。 提案するフレームワークは,大規模電力系統における量子最適化のための,実現可能かつスケーラブルな経路を提供する。

関連論文リスト

• PACE-QAOA: Physics-Constrained Quantum Optimization for Qubit-Efficient Power System Islanding [10.677892416842944]
  制御された島は、すべての島で運用上の整合性を保ちながら、破壊された電力伝達を制限するために、ストレスのある電力ネットワークを分割する。 本稿では、限定量子ビット容量を克服する量子ビット効率のハイブリッド量子定式化を開発する。 量子ビット効率のラグランジアン戦略は、量子最適化と古典的な洗練とを組み合わせて、運用上の制約を強制する。
  論文  参考訳（メタデータ） (2026-08-03T18:42:00Z)
• REGRID-QAOA: A Resource-Efficient Graph-Reduced Hybrid QAOA Framework for Physics-Constrained Power System Islanding [13.146748002139057]
  本研究は、量子最適化ワークフローに物理制約のある電力系統分割をもたらす、資源効率の高いハイブリッドQAOAプランニングフレームワークを開発する。 提案手法は標準IEEEベンチマークシステム(9-, 14-, 24-, 30-, 39-, 57-bus)で検証される。 本研究は,QAOAをベースとしたアイランド化を,量子資源効率の鍵となる構造的ポストプロセッシングを含む,重要なインフラの量子的アプローチとして確立する。
  論文  参考訳（メタデータ） (2026-06-13T03:30:50Z)
• Hardware-Efficient Quantum Optimization for Transportation Networks via Compressed Adiabatic Evolution [1.409283414986451]
  都市物流、車両のルーティング、インフラ計画といった交通システムは、複雑な制約の下で大規模な最適化問題を解く必要がある。 我々は,AQC(Approximate Quantum Compilation)を用いて,デジタル化されたアディベート進化の初期セグメントを浅部回路に圧縮するハードウェア基底型ハイブリッド量子最適化フレームワークを開発した。 その結果、中程度のプレフィックス圧縮は、特にルーティング問題に対して、実現可能な解を維持したり改善したりしながら、2ビットゲート深さを減少させることがわかった。
  論文  参考訳（メタデータ） (2026-04-28T23:45:54Z)
• Tensor Network Assisted Distributed Variational Quantum Algorithm for Large Scale Combinatorial Optimization Problem [19.046113542182436]
  組合せ最適化問題の解法として分散変分量子アルゴリズム(DVQA)を提案する。 DVQAの重要な革新は、複雑な長距離の絡み合いに頼ることなく、変数間の依存関係を保存するために、切り詰められた高階特異値分解を使用することである。 実験的に、DVQAはシミュレーションの最先端性能を達成し、ポートフォリオ最適化のためにWu Kong量子コンピュータで実験的に検証されている。
  論文  参考訳（メタデータ） (2026-01-20T13:31:02Z)
• Resource Management and Circuit Scheduling for Distributed Quantum Computing Interconnect Networks [5.239117416189216]
  分散量子コンピューティング(DQC)は、モノリシック量子プロセッサのスケーラビリティ制限を克服するための有望なアプローチとして登場した。 本稿では,そのような環境下での資源管理と回路スケジューリングについて述べる。 混合整数線形計画法(MILP)に基づく回路スケジューリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-09-19T11:39:46Z)
• Reconfigurable Intelligent Surface (RIS)-Assisted Entanglement Distribution in FSO Quantum Networks [62.87033427172205]
  自由空間光(FSO)量子チャネルに依存する量子ネットワーク(QN)は、光ファイバー基盤の確立が困難でコストがかかる環境における量子アプリケーションをサポートすることができる。 エンタングルメント分布のための仮想視線を提供する費用効率の高いフレームワークとして,再構成可能なインテリジェントサーフェス(RIS)を用いたFSOベースのQNを提案する。
  論文  参考訳（メタデータ） (2024-01-19T17:16:40Z)
• Generative AI-enabled Quantum Computing Networks and Intelligent Resource Allocation [80.78352800340032]
  量子コンピューティングネットワークは、大規模な生成AI計算タスクと高度な量子アルゴリズムを実行する。 量子コンピューティングネットワークにおける効率的なリソース割り当ては、量子ビットの可変性とネットワークの複雑さのために重要な課題である。 我々は、生成学習から量子機械学習まで、最先端強化学習(RL)アルゴリズムを導入し、最適な量子リソース割り当てを行う。
  論文  参考訳（メタデータ） (2024-01-13T17:16:38Z)
• 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)
• Scaling Limits of Quantum Repeater Networks [62.75241407271626]
  量子ネットワーク(QN)は、セキュアな通信、強化されたセンシング、効率的な分散量子コンピューティングのための有望なプラットフォームである。 量子状態の脆弱な性質のため、これらのネットワークはスケーラビリティの観点から大きな課題に直面している。 本稿では,量子リピータネットワーク(QRN)のスケーリング限界について解析する。
  論文  参考訳（メタデータ） (2023-05-15T14:57:01Z)
• Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
  本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。 この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。 GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2022-04-18T21:45:13Z)
• Scaling Quantum Approximate Optimization on Near-term Hardware [49.94954584453379]
  我々は、様々なレベルの接続性を持つハードウェアアーキテクチャのための最適化回路により、期待されるリソース要求のスケーリングを定量化する。 問題の大きさと問題グラフの次数で指数関数的に増大する。 これらの問題は、ハードウェア接続性の向上や、より少ない回路層で高い性能を達成するQAOAの変更によって緩和される可能性がある。
  論文  参考訳（メタデータ） (2022-01-06T21:02:30Z)
• Divide and Conquer for Combinatorial Optimization and Distributed Quantum Computation [3.8221353389253676]
  本稿では、大規模最適化問題を分散量子アーキテクチャにマッピングするハイブリッド変分法である量子除算法(QDCA)を紹介する。 これはグラフ分割と量子回路切断の組み合わせによって達成される。 我々は、最大独立集合問題のインスタンス上でQDCAをシミュレートし、類似の古典的アルゴリズムよりも優れた性能が得られることを確かめる。
  論文  参考訳（メタデータ） (2021-07-15T18:00:32Z)

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。