[論文レビュー] QUPID: A Partitioned Quantum Neural Network for Anomaly Detection in Smart Grid

Hoang M. Ngo, Tre’ R. Jeter+2 more|arXiv (Cornell University)|Jan 16, 2026

Smart Grid Security and Resilience被引用数 0

ひとこと要約

論文は QUPID を提案。スマートグリッドの異常検知用の分割型量子ニューラルネットワークで、量子誘発ノイズと差分プライバシーを用いた頑健性・スケーラビリティを強化した R-QUPID を含む。

ABSTRACT

Smart grid infrastructures have revolutionized energy distribution, but their day-to-day operations require robust anomaly detection methods to counter risks associated with cyber-physical threats and system faults potentially caused by natural disasters, equipment malfunctions, and cyber attacks. Conventional machine learning (ML) models are effective in several domains, yet they struggle to represent the complexities observed in smart grid systems. Furthermore, traditional ML models are highly susceptible to adversarial manipulations, making them increasingly unreliable for real-world deployment. Quantum ML (QML) provides a unique advantage, utilizing quantum-enhanced feature representations to model the intricacies of the high-dimensional nature of smart grid systems while demonstrating greater resilience to adversarial manipulation. In this work, we propose QUPID, a partitioned quantum neural network (PQNN) that outperforms traditional state-of-the-art ML models in anomaly detection. We extend our model to R-QUPID that even maintains its performance when including differential privacy (DP) for enhanced robustness. Moreover, our partitioning framework addresses a significant scalability problem in QML by efficiently distributing computational workloads, making quantum-enhanced anomaly detection practical in large-scale smart grid environments. Our experimental results across various scenarios exemplifies the efficacy of QUPID and R-QUPID to significantly improve anomaly detection capabilities and robustness compared to traditional ML approaches.

研究の動機と目的

• スマートグリッドにおける頑健かつリアルタイムの異常検知の需要に対応する。
• 高次元で複雑なグリッドデータをモデリングするために量子機械学習を活用する。
• キュービット数を削減しスケーラビリティを改善するためのパーティショニング手法を導入する。
• 量子エンコードを通じて複素数データの処理を可能にする。
• 量子誘発ノイズと差分プライバシーによる頑健性フレームワークを提供する。

提案手法

• 隣接する PMU で入力データを K 個のパーティションに分割する。
• 振幅エンコードを用いて複素 PMU 測定値を量子状態にエンコードする。
• 各パーティションを小さなパラメトリック量子回路（PQC）で処理し、潜在特徴 h^(k) を得る。
• パーティション特徴を結合してグローバル潜在ベクトル h を形成し、2 層の密結合 ReLU 層を通してロジットを得る。
• クロスエントロピー損失と勾配法最適化でモデルを訓練する。
• PQC 後に脱偏極ノイズを挿入し、古典的ノイズを差分プライバシーで組み合わせて、 provable な頑健性を得ることで R-QUPID に拡張する。

実験結果

リサーチクエスチョン

• RQ1 QUPID は複数シナリオにおいて、スマートグリッド異常分類で最先端の古典・ハイブリッドベースラインより性能が上か。
• RQ2 パーティショニングアプローチは量子強化異常検知のスケーラビリティと訓練効率を改善するか。
• RQ3 量子誘発ノイズは差分プライバシーの保証を増幅し、敵対的攻撃に対する certifiable な頑健性をもたらすか。
• RQ4 ノイズのある量子-古典ハイブリッド設定における R-QUPID の理論的保証と実用的な性能利得は何か。

主な発見

• QUPID および R-QUPID は 15 の ICS データセットシナリオと 7 指標で、常に五つの最先端ベースラインを上回る。
• パーティショニングフレームワークはキュービット要件を削減し、訓練効率を改善しつつ精度を損なわない。
• 複素数データの量子空間エンコードは、実数ベースラインと比較してスマートグリッドの関係性の表現を強化する。
• 量子誘発ノイズは DP 保証を増幅し、理論的証明を伴うより強固な敵対的頑健性に寄与する。
• R-QUPID はハイブリッド量子-古典モデルにおける敵対的脅威に対する certifiable な頑健性保証を提供する。