자원 제약 에너지 시스템에서의 단기 전력 부하 예측을 위한 양자 저장소 컴퓨팅
Quantum Reservoir Computing for Short-Term Power Load Forecasting in Resource-Constrained Energy Systems
한국어 초록
단기 부하 예측(short-term load forecasting)은 신뢰할 수 있는 에너지 관리에 필수적이나, 엣지 디바이스에서의 실용적 배포를 위해서는 제한된 메모리, 유한한 측정 예산, 하드웨어 노이즈 환경에서도 정확성을 유지하는 모델이 요구된다. 본 연구는 에너지 부하 예측을 위한 하드웨어 효율적인 양자 저장소 컴퓨팅(Quantum Reservoir Computing, QRC) 프레임워크를 제안한다. 고정된 양자 저장소가 시간적 입력 윈도우를 고차원 특징으로 변환하고, 고전적 Elastic Net 출력층만 학습된다. 배포 비용 절감을 위해 학습된 출력층은 8비트에서 2비트까지의 비트 폭으로 사후학습 고정 소수점 양자화(post-training fixed-point quantization)를 통해 압축된다. 본 프레임워크는 정확한 상태벡터 시뮬레이션, 512-샷 유한 샘플링, IBM FakeTorino 및 IBM FakeMarrakesh의 현실적인 하드웨어 노이즈 모델 환경에서 Tetouan 및 Spain 에너지 부하 데이터셋을 대상으로 평가된다. 결과에 따르면 6비트 출력층 정밀도는 출력층 메모리를 81.2% 절감하면서도 전정밀도 예측 성능을 유지한다. 이 수준 이하에서는 성능 저하가 데이터셋에 따라 달라지며, Tetouan은 높은 민감도를 보이고 Spain은 보다 점진적으로 성능이 저하된다. 하드웨어 노이즈 검증에서는 학습된 출력층이 재학습 없이 노이즈가 있는 저장소 상태에서도 적용 가능함을 보인다. 이러한 결과는 양자화된 QRC가 근미래 양자 시계열 응용을 위한 자원 인식 예측 접근법으로서 유효함을 뒷받침한다.
원문 초록
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.
요약
자원이 제한된 환경에서의 단기 전력 부하 예측을 위해 고정된 양자 저장소와 Elastic Net 출력층을 결합한 하드웨어 효율적인 Quantum Reservoir Computing(QRC) 프레임워크를 제안하고 사후학습 고정 소수점 양자화를 적용했다. Tetouan 및 Spain 데이터셋에 대한 평가 결과, 6비트 양자화가 성능 저하 없이 메모리 사용량을 81.2% 줄이며 하드웨어 노이즈에도 강건한 것으로 나타났다.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.12806v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
자기회귀 기상 모델의 사후 학습 양자화
Post-Training Quantization of Autoregressive Weather Models
고해상도 수치 예보(NWP) 및 자료 동화(DA)의 발전은 대기 역학을 모사하는 심층 학습(DL) 아키텍처의 발전을 이끌어왔습니다. 일기 예보용 에뮬레이터는 수일에서 계절 내(subseasonal) 시간 규모로 확장되는 예측 기간에서 물리 기반 모델에 필적하는 예보 품질을 보여줍니다. 이러한 에뮬레이터는 자기회귀 추론에서 하드웨어 가속 행렬 곱을 기반으로 구동되어 수치 예보에 필요한 계산 시간과 자원을 크게 줄여줍니다. GPU 아키텍처에서 행렬 곱 연산 과정을 최적화하면 고해상도 영역으로 확장할 기회를 제공하며, 즉시 사용 가능한(out-of-the-box) 솔루션의 구현을 가능하게 합니다. 사후 학습 양자화(PTQ)는 여러 심층 학습 아키텍처 전반에서 전력 소모를 줄이면서도 단위 시간당 계산 횟수를 가속화하고 늘려 엣지 하드웨어에서의 응용을 가능하게 하는 것으로 입증되었습니다. 본 연구에서는 전 지구 규모 일기 예보를 위한 사전 학습된 AI 에뮬레이터에 PTQ가 미치는 영향을 조사합니다. 지구물리 유체역학 응용을 위한 개념 증명(proof of concept)으로서 DLWP(Deep Learning Weather Prediction) 및 FourCastNet(FCN) 모델에 PTQ 알고리즘을 구현합니다. 우리는 단기 예측 기간에 걸쳐 에뮬레이터 추론에 미치는 PTQ의 영향을 체계적으로 조사합니다. 시뮬레이션 양자화를 사용한 PTQ 구성 평가는 단기 기간에 걸쳐 정성적으로 유의미한 예보 가능성을 시사합니다. 이러한 결과는 자기회귀 기상 에뮬레이터에 대한 PTQ의 첫 번째 벤치마크이자 동역학계 대상 심층 학습 모델의 양자화 기반 최적화를 위한 기초를 제공합니다.
ProtoFlow: 다변량 시계열 예측을 위한 프로토타입 유도 플로우 매칭
ProtoFlow: Prototype-Guided Flow Matching for Multivariate Time Series Forecasting
생성 모델링은 특히 고차원 환경으로 확장할 때 다변량 시계열(MTS) 예측에서 유망한 가능성을 보여주었습니다. 확산 기반(diffusion-based) 방식은 경쟁력 있는 성능을 달성하지만 일반적으로 추론 시 많은 샘플링 단계를 필요로 합니다. 이에 따라 VAE 기반의 비반복적 예측 프레임워크가 효율적인 대안으로 부상했습니다. 이러한 연구 흐름 속에서 벡터 양자화(VQ)는 다변량 시계열을 컴팩트한 이산 표현으로 매핑함으로써 제어 가능한 잠재 공간 모델링을 가능하게 합니다. 그러나 기존 VQ 기반 예측 방법은 일반적으로 자기회귀(AR) 토큰 생성에 의존하므로, 노출 바이어스와 학습-추론 불일치 문제가 발생합니다. 플로우 매칭(Flow matching)은 잠재 예측을 위한 효율적인 비자기회귀적 대안을 제공하지만, 기존 정식화 방식은 일반적으로 일반적인 가우시안 사전문포로부터 수송(transport)을 초기화합니다. 본 논문에서는 학습된 VQ 코드북이 이미 대표적인 잠재 프로토타입을 포착하고 있으므로 플로우 매칭을 위한 정보가 더 풍부한 사전분포로 활용될 수 있음을 관찰했습니다. 이러한 통찰을 바탕으로, 벡터 양자화 오토인코딩과 프로토타입 사전분포 플로우 매칭을 결합한 예측 프레임워크인 ProtoFlow를 제안합니다. 본 방법은 먼저 다변량 시퀀스를 이산 잠재 공간으로 매핑한 다음, 학습된 코드북으로부터 구조화된 사전분포를 구축하고, 마지막으로 DiT 기반 렉티파이드 플로우(rectified flow)를 학습하여 과거 관측치를 조건으로 이 사전분포로부터 미래 잠재 표현으로 샘플을 수송합니다. 일반적인 노이즈 초기화를 학습된 프로토타입 사전분포로 대체함으로써, ProtoFlow는 AR 토큰 예측의 롤아웃 불일치를 방지하고 더 빠른 학습 수렴을 촉진합니다. 벤치마크 데이터셋에 대한 광범위한 실험을 통해 본 모델이 효율적인 추론과 함께 일관되게 우수한 예측 성능을 달성함을 보입니다.
양자 리저버 아키텍처 설계를 위한 하이브리드 LLM 기반 검색
Hybrid LLM-Guided Search for Quantum Reservoir Architecture Design
양자 리저버 컴퓨팅(QRC)은 고정된 양자 역학을 고차원 시간적 특징 맵으로 사용하고, 경량의 고전적 readout만 학습한다. QRC는 근시일 양자 머신러닝에 매력적이지만, 입력 인코딩, 리저버 깊이, 얽힘 토폴로지, 측정 특징, 상태 재설정 정책, 특징 구성, readout 정규화 등 아키텍처 선택에 성능이 크게 의존한다. 우리는 QRC 설계를 제약 조건이 있는 블랙박스 아키텍처 검색으로 공식화하고, 대규모 언어 모델(LLM)이 이 검색 문제에 대한 제안 컨트롤러로 작동할 수 있는지 평가하는 시뮬레이터 기반 벤치마크인 \method를 제안한다. 이 벤치마크는 동일한 평가 예산 하에서 다섯 가지 정책을 비교한다: 무작위 검색, 진화적 검색, 베이지안/TPE 최적화, 피드백 기반 LLM 에이전트, 그리고 LLM 제안과 메모리, 돌연변이, 교차, 중복 회피, 탐험을 결합한 \hybrid. NARMA10, Mackey-Glass 예측, temporal parity에서 \hybrid{}는 가장 일관된 정책이다: NARMA10과 temporal parity에서 1위, Mackey-Glass에서는 진화적 검색에 근소하게 뒤진 2위를 기록한다. 25회 평가 예산과 세 개의 시드 하에서 \hybrid{}는 Mackey-Glass 오류의 23.6\% 상대 감소를 포함하여 모든 과제에서 무작위 검색 대비 개선된다. 결과는 LLM이 보편적인 QRC 최적화기라는 것을 보여주지 않으며, 오히려 생성 모델이 검증되고 재현 가능한 하이브리드 검색 루프 내부에 내장될 때 유용한 고수준 컨트롤러가 될 수 있음을 보여준다.
고전적 기준선을 양자 모델만큼 신중하게 튜닝할 때, 양자 레저버 컴퓨팅은 여전히 우위를 점하는가?
When Classical Baselines Are Tuned as Carefully as the Quantum Model, Does Quantum Reservoir Computing Still Win?
소형 양자 컴퓨터가 변화하는 신호를 일반적인 고전적 방법보다 더 잘 예측할 수 있을까? 많은 연구들이 그렇다고 말하지만, 이러한 연구들에서 비교 대상인 고전적 방법은 기본적이고 튜닝되지 않은 상태로 방치되는 반면 양자 모델은 신중하게 최적화된다. 우리는 고전적 경쟁자에게 정확히 동일한 주의를 기울일 때—동일한 크기와 동일한 양의 튜닝 노력을 적용할 때—어떤 일이 일어나는지 탐구한다. 우리는 예측 태스크에서 소형 양자 시스템(최대 11큐비트)의 정밀 시뮬레이션을 활용하여, 양자 레저버가 도움이 된다고 일반적으로 여겨지는 두 가지 이유를 연구한다. 두 경우 모두 비교가 공정해지면 양자 우위는 사라진다. 첫 번째 경우, 추가적인 양자 측정은 동일한 크기의 단순한 고전적 수식이 이미 제공하는 것 이상을 더하지 못한다. 두 번째 경우, 피드백 루프가 양자 모델에 실질적인 도움을 주어 쓸모없던 설정을 작동하는 예측기로 변환시키지만, 잘 튜닝된 고전적 네트워크는 여전히 약간 더 정확하게 예측하며 그 차이는 통계적으로 유의미하다. 우리의 주장은 양자 레저버가 결코 우위를 점할 수 없다는 것이 아니라, 흔히 언급되는 두 가지 장점이 이 규모에서 공정한 고전적 경쟁자 앞에서는 유지되지 않는다는 것이다. 우리는 이러한 대응 비교를 정직한 벤치마킹을 위한 간단하고 재사용 가능한 체크리스트로 제공한다. 모든 결과는 고정된 랜덤 시드로부터 완전히 재현 가능하다.
이진 양자화 신경망 학습은 입력 및 출력 차원으로 매개변수화할 때 W[1]-난해하다
Binary Quantized Neural Network Training Is W[1]-Hard Parameterized by Input and Output Dimensions
PROSWIN: 태양 영상을 이용한 심층 분포 회귀 기반의 확률론적 태양풍 속도 예측
PROSWIN: Probabilistic Solar Wind Speed Forecasting Using Deep Distributional Regression From Solar Images
빠른 태양풍 조건을 정확하게 예측하는 것은 불확실성이 크고 기존의 단일값 예측 모델로는 이를 정량화할 수 없기 때문에 어려운 과제입니다. 특히 기술적 인프라에 피해를 줄 수 있는 고속 태양풍 스트림(HSS)의 위험은 확률론적 예측 없이는 신뢰성 있게 평가될 수 없습니다. 본 연구에서는 4일의 리드 타임으로 지구에서의 시간별 태양풍 속도(SWS)를 예측하는 확률론적 머신러닝 모델인 PROSWIN을 제시합니다. 이 접근 방식은 심층 신경망(deep neural network)과 분포 회귀(distributional regression) 알고리즘을 결합하여 태양 영상과 자기장 지도(magnetogram)를 통합합니다. 표준 오차 지표는 HSS 피크의 중요성을 과소평가하므로, 타임라인과 HSS 피크 정확도를 함께 보상하는 모델 선택 지표인 예측 점수(prediction score)를 추가로 도입합니다. 14년간의 데이터에서 본 연구의 예측은 매우 잘 보정된 불확실성(평균 편차 <1%)을 달성합니다. 분포 정확도를 평가하는 지표인 연속 순위 확률 점수(CRPS)를 사용하여 타임라인 CRPS 41.0 km/s, HSS 피크 CRPS 45.3 km/s, 예측 점수 42.3 km/s를 얻었습니다. 또한 171 Å 채널이 일반적으로 사용되는 193 Å 및 211 Å 채널에 중요한 보완 요소가 되며, 모델 선택을 위한 예측 점수가 모델의 적용 가능성을 향상시킨다는 점을 확인했습니다. 기존 문헌에서 선정된 모델들과 비교했을 때, 본 모델은 둘 중 하나를 희생하지 않고 타임라인과 HSS 피크 값 모두에서 정확한 유일한 모델입니다. 이러한 결과는 단일값 태양풍 모델 대비 확률론적 모델의 이점을 뒷받침합니다. 도입된 방법론은 다른 예측 문제에도 전이 가능합니다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.