論文の概要: Quantum Enhanced Deep Reinforcement Learning for Distribution Network Reconfiguration

• arxiv url: http://arxiv.org/abs/2609.40327v1
• Date: Wed, 30 Sep 2026 17:55:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:28.324873
• Title: Quantum Enhanced Deep Reinforcement Learning for Distribution Network Reconfiguration
• Title（参考訳）: 分散ネットワーク再構成のための量子強化深層強化学習
• Abstract要約: 本稿では,Q-networkアーキテクチャがソリューションの品質と学習性能の両方にどのように影響するかを検討する。 量子強化Q-networksは従来のQ-networksよりも少ないパラメータで高い報酬を得られることを示す。
• 参考スコア（独自算出の注目度）: 0.2810625954925814
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Modern smart grids generate increasingly rich operational data and deploy greater numbers of remotely controlled switching assets than ever before, creating new opportunities for data-driven distribution network reconfiguration (DNR). DNR optimizes grid topology to improve efficiency, reduce power losses, and maintain operational constraints, but finding optimal switch configurations remains a computationally demanding combinatorial problem. In this paper, we propose a deep reinforcement learning (DRL) framework for static DNR to systematically investigate how the Q-network architecture affects both solution quality and learning performance. We evaluate multiple architectures within a controlled DRL framework, varying only the Q-network to isolate the contribution of each architectural choice. Our results show that quantum-enhanced Q-networks can achieve higher rewards with fewer parameters than their classical counterpart, suggesting that such architectures are a promising direction for combinatorial power systems optimization.
• Abstract（参考訳）: 現代のスマートグリッドは、ますます豊富な運用データを生成し、これまで以上に多くのリモートコントロールされたスイッチングアセットをデプロイし、データ駆動配信ネットワーク再構成(DNR)の新たな機会を生み出します。 DNRはグリッドトポロジを最適化して効率を改善し、電力損失を低減し、運用上の制約を維持するが、最適なスイッチ構成を見つけることは計算的に要求される組合せ問題である。 本稿では、静的DNRのための深層強化学習フレームワークを提案し、Qネットワークアーキテクチャがソリューションの品質と学習性能の両方にどう影響するかを体系的に検討する。 制御されたDRLフレームワーク内の複数のアーキテクチャを評価し、各アーキテクチャ選択のコントリビューションを分離するために、Q-networkのみを変化させる。 以上の結果から,量子化Q-networksは従来のQ-networksよりも少ないパラメータで高い報酬を得られることが示唆された。

関連論文リスト

• A Mathematical Theory of Reusable Neural Bases for Network Compression [4.042425236692822]
  本稿では,パラメータ効率の向上とメモリコスト削減を目的とした新しいフレームワークであるLinear Reusable Neural Bases Architecture(LRNBA)を紹介する。 リカレントニューラルネットワーク(RNN)の設計に触発されて、我々のアプローチの中核となる考え方は、各ネットワークブロックを、共有されたニューラルネットワークの集合の線形結合として表現することである。 我々のモデルは、安定したトレーニングダイナミクスを維持しながら、古典的アーキテクチャよりも同等あるいはより高速な収束と損失を達成します。
  論文  参考訳（メタデータ） (2026-09-01T17:16:21Z)
• An Integrated Approach to Neural Architecture Search for Deep Q-Networks [1.516610503825416]
  NAS-DQNは、学習したニューラルネットワーク検索コントローラを直接DRLトレーニングループに統合するエージェントである。 我々はNAS-DQNを3つの固定構造ベースラインに対して評価し、連続的な制御タスクに対してランダムな探索制御を行う。 以上の結果から,NAS-DQNは非無視の計算オーバーヘッドを発生させながら,優れた最終性能,サンプル効率,政策安定性を達成できることが示唆された。
  論文  参考訳（メタデータ） (2025-10-22T07:17:31Z)
• Online Training and Pruning of Deep Reinforcement Learning Networks [0.0]
  強化学習(RL)アルゴリズムのディープニューラルネットワーク(NN)のスケーリングは、特徴抽出ネットワークを使用する場合のパフォーマンスを向上させることが示されている。 先進RL法において,同時学習とプルーニングを併用する手法を提案する。
  論文  参考訳（メタデータ） (2025-07-16T07:17:41Z)
• Network Sparsity Unlocks the Scaling Potential of Deep Reinforcement Learning [57.3885832382455]
  静的ネットワークの疎結合を単独で導入することで,最先端アーキテクチャの高密度化を超えて,さらなるスケーリング可能性を実現することができることを示す。 解析の結果,高密度DRLネットワークをネーティブにスケールアップするのとは対照的に,疎ネットワークは高いパラメータ効率とネットワーク表現性を両立させることがわかった。
  論文  参考訳（メタデータ） (2025-06-20T17:54:24Z)
• Auto-Compressing Networks [51.221103189527014]
  本稿では,各層からの長いフィードフォワード接続が従来の短残コネクションに取って代わるアーキテクチャ変種であるAuto-compression Networks (ACNs)を紹介する。 本稿では,ACNが残差ネットワークと比較して高雑音を示すこと,低データ設定における優れた性能を示すこと,破滅的忘れを軽減できることを述べる。 これらの知見は、効率的な神経アーキテクチャを開発するための実践的なアプローチとしてACNを確立している。
  論文  参考訳（メタデータ） (2025-06-11T13:26:09Z)
• Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna Tuning [60.94661435297309]
  モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。 本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。 シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
  論文  参考訳（メタデータ） (2023-01-20T17:06:34Z)
• Re-visiting Reservoir Computing architectures optimized by Evolutionary Algorithms [0.0]
  進化的アルゴリズム(EA)はニューラルネットワーク(NN)アーキテクチャの改善に応用されている。 我々は、Reservoir Computing (RC) という、リカレントNNの特定の領域におけるEAの応用に関する体系的な簡単な調査を行う。
  論文  参考訳（メタデータ） (2022-11-11T14:50:54Z)
• Phase Configuration Learning in Wireless Networks with Multiple Reconfigurable Intelligent Surfaces [50.622375361505824]
  RIS(Reconfigurable Intelligent Surfaces)は、電磁波伝搬の動的制御を提供する、高度にスケーラブルな技術である。 RISを内蔵した無線通信における大きな課題の1つは、複数のRISの低オーバーヘッドダイナミックな構成である。 RISの位相構成に対する低複雑さ教師あり学習手法を考案する。
  論文  参考訳（メタデータ） (2020-10-09T05:35:27Z)
• Deep Multi-Task Learning for Cooperative NOMA: System Design and Principles [52.79089414630366]
  我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。 我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-07-27T12:38:37Z)

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。