論文の概要: On Revolutionizing Power Systems: Suitability of Quantum Computing-Ready Pipelines for Stochastic Unit Commitment Optimization
- arxiv url: http://arxiv.org/abs/2611.05030v1
- Date: Tue, 03 Nov 2026 15:05:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-07 14:58:26.733913
- Title: On Revolutionizing Power Systems: Suitability of Quantum Computing-Ready Pipelines for Stochastic Unit Commitment Optimization
- Title（参考訳）: 電力システムの革新性について:確率的ユニットコミット最適化のための量子コンピューティング対応パイプラインの適合性
- Abstract要約: ユニットコミットメント(UC)シナリオ、特に需要変動や再生可能エネルギー源の不確実性に関わるシナリオは、従来の最適化手法に重大な課題を提起する。
本稿では,IEEE 118バスシステムを含むテストシステム間の決定論的およびUC最適化のための量子コンピューティング対応パイプラインを提案する。
- 参考スコア（独自算出の注目度）: 1.9766522384767224
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern unit commitment (UC) scenarios, particularly those involving uncertainties from demand fluctuations and renewable energy sources, pose significant challenges to traditional optimization methods due to the large search spaces they encompass. This paper proposes a quantum computing-ready optimization pipeline for deterministic and stochastic UC, integrating classical, quantum-inspired, quantum annealing, and hybrid quantum-classical solvers across test systems, including the IEEE 118-bus system. A novel Quadratic Unconstrained Binary Optimization (QUBO) reformulation accommodates generator scaling and 24-hour scheduling horizons with compact Boolean logic penalties for startup, cooldown, and spinning reserve constraints. A divide-and-conquer strategy and Quantum Computing Monte Carlo (QCMC) simulation address scalability across 27,730 uncertainty scenarios, reducing compilation time by up to two orders of magnitude. Experimental results demonstrate the pipeline's ability to achieve efficient, scalable, and accurate UC optimization under uncertainty: the hybrid quantum method approach matches the classical baseline, reduces stochastic UC runtime from 40.76 to 14.79 hours, and characterizes pure quantum annealing as limited to small systems with 0.22% to 2.18% encoding errors and constraint violations. These results provide an analysis of the scalability and computational practicality of hybrid quantum optimization for generator scheduling in UC.
- Abstract（参考訳）: 現代の単位コミットメント(UC)シナリオ、特に需要変動や再生可能エネルギー源の不確実性に関わるシナリオは、それらが包含する大きな検索空間のために従来の最適化手法に重大な課題をもたらす。
本稿では、IEEE 118バスシステムを含むテストシステムにまたがって、古典的、量子インスパイアされた量子アニールとハイブリッド量子古典解法を統合する、決定論的および確率的UCのための量子コンピューティング対応最適化パイプラインを提案する。
Quadratic Unconstrained Binary Optimization (QUBO) の新たな改定では、起動、冷却、回転予約の制約に対するBoolean論理ペナルティのコンパクト化により、ジェネレータのスケーリングと24時間のスケジューリングが可能である。
分割・分散戦略と量子コンピューティングモンテカルロ(QCMC)シミュレーションは27,730の不確実性シナリオにわたるスケーラビリティに対処し、コンパイル時間を最大2桁まで短縮する。
ハイブリッド量子法は、古典的なベースラインと一致し、確率的UCランタイムを40.76時間から14.79時間に短縮し、エラーと制約違反を符号化する0.22%から2.18%の小さなシステムに制限された純粋量子アニールを特徴付ける。
これらの結果は、UCにおけるジェネレータスケジューリングのためのハイブリッド量子最適化のスケーラビリティと計算実用性について分析する。
関連論文リスト
- Stochastic Pauli-path simulator for large-scale quantum optimization [57.179828941706006]
パウリパスシミュレータは、低磁力状態における量子回路の大規模古典的シミュレーションへの有望な経路を提供する。
既存のアプローチでは、勾配ベースの最適化をネイティブにサポートしていないか、あるいは厳しい勾配バイアスに悩まされている。
本稿では,大規模量子最適化のための計算フレームワークであるPauli-path simulator (SPPS)を提案する。
論文 参考訳（メタデータ） (2026-07-20T10:43:44Z) - 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) - Quantum-Efficient Reinforcement Learning Solutions for Last-Mile On-Demand Delivery [1.8262547855491453]
時間Windowsを用いた大規模キャパシタイトピックアップ・デリバリ問題の解法を量子コンピューティングで検討する。
エンタングル層と変分層を有する新しい問題固有符号化量子回路を提案する。
論文 参考訳（メタデータ） (2025-08-07T13:50:43Z) - Hybrid quantum-classical algorithm for near-optimal planning in POMDPs [39.682133213072554]
強化学習(Reinforcement Learning, RL)は、部分的に観察可能な環境における意思決定のための原則的な枠組みを提供する。
近年の進歩は、振幅増幅と組み合わせた量子リジェクションサンプリングにより、スパースベイズネットワークでの推論を加速できることを実証している。
本稿では,量子ベイズ強化学習(Quantum Bayesian Reinforcement Learning, QBRL)を紹介する。
論文 参考訳（メタデータ） (2025-07-24T17:42:30Z) - Quantum-Classical Hybrid Quantized Neural Network [8.382617481718643]
本稿では、任意のアクティベーションと損失関数の使用を可能にする、量子化されたニューラルネットワークトレーニングのための新しい擬似バイナリ最適化(QBO)モデルを提案する。
我々はQCBO問題を直接解くために量子コンピューティングを利用するQCGD(Quantum Gradient Conditional Descent)アルゴリズムを用いる。
論文 参考訳（メタデータ） (2025-06-23T02:12:36Z) - Branch-and-bound digitized counterdiabatic quantum optimization [39.58317527488534]
分岐とバウンドのアルゴリズムは、厳密な下界を得るために目的関数の緩和に依存する凸最適化問題を効果的に解く。
本稿では,緩和困難に対処する分枝・分枝・分枝・分枝・分枝対応量子最適化法 (BB-DCQO) を提案する。
論文 参考訳（メタデータ） (2025-04-21T18:19:19Z) - Subspace-Based Local Compilation of Variational Quantum Circuits for Large-Scale Quantum Many-Body Simulation [0.0]
本稿では,時間進化演算子をコンパイルするためのハイブリッド量子古典アルゴリズムを提案する。
精度を保ちながら、トロッタライゼーションに比べて95%の回路深さの低減を実現している。
我々は,LSVQCを用いて,短期量子コンピューティングアーキテクチャ上での量子シミュレーションの実行に必要なゲート数を推定する。
論文 参考訳（メタデータ） (2024-07-19T09:50:01Z) - Bias-field digitized counterdiabatic quantum optimization [39.58317527488534]
我々はこのプロトコルをバイアス場デジタルダイアバティック量子最適化(BF-DCQO)と呼ぶ。
私たちの純粋に量子的なアプローチは、古典的な変分量子アルゴリズムへの依存を排除します。
基底状態の成功確率のスケーリング改善を実現し、最大2桁まで増大する。
論文 参考訳（メタデータ） (2024-05-22T18:11:42Z) - Efficient DCQO Algorithm within the Impulse Regime for Portfolio
Optimization [41.94295877935867]
本稿では,デジタルカウンセバティック量子最適化(DCQO)パラダイムを用いて,ポートフォリオ最適化のための高速なディジタル量子アルゴリズムを提案する。
提案手法は,アルゴリズムの回路深度要件を特に低減し,解の精度を向上し,現在の量子プロセッサに適している。
我々は,IonQトラップイオン量子コンピュータ上で最大20量子ビットを使用するプロトコルの利点を実験的に実証した。
論文 参考訳（メタデータ） (2023-08-29T17:53:08Z)
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。