[論文レビュー] Noise-Resilient Quantum Machine Learning for Stability Assessment of Power Systems

Yifan Zhou, Peng Zhang|arXiv (Cornell University)|Apr 10, 2021

Quantum Computing Algorithms and Architecture被引用数 4

ひとこと要約

本稿では、電力系統におけるノイズに強く、スケーラブルで高表現力を持つ低深さの量子ニューラルネットワーク、qTSAを提案する。量子重ね合わせともつれを活用することで、近い将来のノイズのある量子ハードウェア上でも、スケーラブルで正確かつ耐障害性のある安定性予測が可能となり、シミュレータ上では99%を超える精度を達成し、実際の量子デバイスでも現実的なノイズ条件下でも高い忠実度を維持する。

ABSTRACT

Transient stability assessment (TSA) is a cornerstone for resilient operations of today's interconnected power grids. This paper is a confluence of quantum computing, data science and machine learning to potentially address the power system TSA challenge. We devise a quantum TSA (qTSA) method to enable scalable and efficient data-driven transient stability prediction for bulk power systems, which is the first attempt to tackle the TSA issue with quantum computing. Our contributions are three-fold: 1) A low-depth, high expressibility quantum neural network for accurate and noise-resilient TSA; 2) A quantum natural gradient descent algorithm for efficient qTSA training; 3) A systematical analysis on qTSA's performance under various quantum factors. qTSA underpins a foundation of quantum-enabled and data-driven power grid stability analytics. It renders the intractable TSA straightforward and effortless in the Hilbert space, and therefore provides stability information for power system operations. Extensive experiments on quantum simulators and real quantum computers verify the accuracy, noise-resilience, scalability and universality of qTSA.

研究の動機と目的

• 高次元性、非線形性、再生可能エネルギーの統合増加に起因する、大規模で非線形的かつ不確実な電力系統における一時安定性評価（TSA）の長年の課題に対処する。
• 微分方程式の統合に依存する古典的手法の計算不能性に起因する、N-k障害状況分析における困難を克服する。
• 近い将来のノイズのある中規模量子（NISQ）デバイスを用いて、効率的でスケーラブルかつデータ駆動型の安定性予測を可能にする量子機械学習フレームワークを開発する。
• 低深さで高表現力を持つ量子ニューラルネットワークアーキテクチャを設計することで、現在の量子ハードウェアにおけるノイズおよびデ coherent 破壊に耐性をもたせる。
• 異なる量子ハードウェア構成およびノイズレベルにおいて、提案手法の普遍性とスケーラビリティを実証する。

提案手法

• 近い将来のNISQデバイスでの実行を可能にするために、低回路深さで高表現力を持つ量子ニューラルネットワーク（QNN）アーキテクチャであるqTSAを設計する。
• 量子特徴マップを用いて、高次元の電力系統安定性データをqubitを用いて量子状態に符号化し、複雑な非線形関係の効率的表現を可能にする。
• もつれを有するパラメータ化された量子回路（PQC）を実装し、重ね合わせやもつれといった量子の利点を活用して、データ表現および分類の向上を図る。
• 古典的最適化アルゴリズムが量子回路のパラメータを調整するハイブリッド量子-古典最適化ループを用いて、訓練データにおける分類損失を最小化する形でqTSAモデルを訓練する。
• 実際の電力系統の障害状況データを用いて、ノイズのない量子シミュレータ（ibmq_qasm_simulator）および実際のノイズのある量子コンピュータ（ibmq_boeblingen）の両方でモデルを評価する。
• ゲートエラーと熱的緩和時間（T₁）を変化させることで、ノイズの影響を体系的に分析し、現実のハードウェア制約下での耐障害性と忠実度を評価する。

実験結果

リサーチクエスチョン

• RQ1 低深さで高表現力を持つ量子ニューラルネットワークは、近い将来の量子ハードウェア上で高精度な一時安定性評価を達成できるか？
• RQ2 現在の量子デバイスにおけるノイズは、電力系統安定性のための量子機械学習モデルの予測忠実度と精度にどのように影響を与えるか？
• RQ3 qTSAは、ノイズ条件下でのさまざまな量子回路スケール（例：キュービット数および回路深さ）において、どれほど高い性能を維持できるか？
• RQ4 ゲートエラーおよびT₁緩和時間といった現実的なノイズパラメータ下でも、量子モデルの性能は依然として耐障害性を示すか？
• RQ5 多様な電力系統障害シナリオにわたって、量子モデルは一般化可能であり、安定性境界付近でも高い信頼性の高い予測を維持できるか？

主な発見

• qTSAは、すべてのテスト設定においてノイズのない ibmq_qasm_simulator 上で99%を超える精度を達成しており、理想的な条件下での優れたモデル性能を示している。
• 実際のノイズのあるデバイス ibmq_boeblingen では、qTSA (2,6) が高精度（98.12%）を維持し、出力確率分布のずれも最小限に抑えられており、強いノイズ耐性を示している。
• qTSA (2,10) では、精度は依然として高い（97.89%）が、確率ピークが中心にずれており、回路深さの増加に伴い予測忠実度が低下している兆候が見られる。
• qTSA (3,6) は追加のキュービットとより深い回路を有するが、実デバイス上では精度が急激に低下し52.02%にまで下がり、出力確率が0.5付近に集中している。これは量子デ coherent 破壊およびノイズ誘発のランダムネスを示している。
• ゲートエラーが0.02未満、または熱的緩和時間（T₁）が10 µs未満の条件では、モデルが高精度と高忠実度を維持しており、これは今日の量子ハードウェアで実現可能な条件である。
• 安定性境界付近（低忠実度領域）のサンプルはノイズに対して最も感受性が強いが、qTSAはノイズ環境下でも多数のサンプルを正しく分類し続けている。