[논문 리뷰] Noise-Resilient Quantum Machine Learning for Stability Assessment of Power Systems

Yifan Zhou, Peng Zhang|arXiv (Cornell University)|2021. 04. 10.

Quantum Computing Algorithms and Architecture인용 수 4

한 줄 요약

이 논문은 전력 시스템에서 노이즈에 강건한 일시적 안정성 평가를 위한 저깊이, 고표현력의 양자 신경망인 qTSA를 제안한다. 양자 중첩과 얽힘을 활용하여, 근접한 노이즈 있는 양자 하드웨어에서 확장 가능하고 정확하며 강건한 안정성 예측을 가능하게 하며, 시뮬레이터에서는 99% 이상의 정확도를 달성하고 실제 양자 장치에서 현실적인 노이즈 조건에서도 높은 정밀도를 유지한다.

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.

연구 동기 및 목표

• 고차원성, 비선형성, 재생 가능 에너지의 증가하는 통합으로 인해 오랫동안 해결되지 않은 대규모 비선형적이고 불확실한 전력 시스템에서의 일시적 안정성 평가(TSA) 문제를 해결한다.
• 미분방정식 적분에 의존하는 기존 TSA 방법의 계산 불가능성을 해결하여 N-k 장애 분석에 어려움을 겪는 문제를 해결한다.
• 근접한 노이즈 있는 중간 규모 양자(NISQ) 장치를 활용해 효율적이고 확장 가능하며 데이터 기반의 안정성 예측을 가능하게 하는 양자 기계학습 프레임워크를 개발한다.
• 저깊이, 고표현력의 양자 신경망 아키텍처를 설계하여 현재의 양자 하드웨어에서의 노이즈와 디코herence에 대한 강건성을 확보한다.
• 다양한 양자 하드웨어 구성과 노이즈 수준에서 제안된 방법의 일반성과 확장 가능성을 입증한다.

제안 방법

• 근접한 NISQ 장치에서의 구현 가능성을 확보하기 위해 저회로 깊이와 고표현력을 갖춘 양자 신경망(QNN) 아키텍처인 qTSA를 설계한다.
• 양자 특성 매핑을 활용해 고차원 전력 시스템 안정성 데이터를 큐비트를 사용해 양자 상태로 인코딩함으로써 복잡한 비선형 관계의 효율적 표현을 가능하게 한다.
• 양자 초월 회로(PQC)를 구현하여 얽힌 큐비트를 활용해 중첩과 얽힘과 같은 양자 이점을 이용해 데이터 표현 및 분류 능력을 향상시킨다.
• 하이브리드 양자-클래식 최적화 루프를 사용해 모델을 훈련시키며, 클래식 최적화 알고리즘이 훈련 데이터의 분류 손실을 최소화하도록 양자 회로의 파라미터를 조정한다.
• 실제 전력 시스템 장애 데이터를 사용해 노이즈 없는 양자 시뮬레이터(ibmq_qasm_simulator)와 실제 노이즈 있는 양자 컴퓨터(ibmq_boeblingen)에서 모델을 평가한다.
• 게이트 오차와 열적 리프레시 시간(T₁)을 변화시켜 노이즈의 영향을 체계적으로 분석함으로써 현실적인 하드웨어 제약 조건 하에서의 강건성과 정밀도를 평가한다.

실험 결과

연구 질문

• RQ1 저깊이, 고표현력의 양자 신경망은 근접한 양자 하드웨어에서 높은 정확도의 일시적 안정성 평가를 달성할 수 있는가?
• RQ2 현재의 양자 장치에서의 노이즈는 전력 시스템 안정성에 대한 양자 기계학습 모델의 예측 정밀도와 정확도에 어떤 영향을 미치는가?
• RQ3 노이즈 조건 하에서 qTSA는 다양한 양자 회로 규모(예: 큐비트 수와 회로 깊이)에서 얼마나 높은 성능을 유지할 수 있는가?
• RQ4 게이트 오차와 T₁ 리프레시 시간과 같은 현실적인 노이즈 파rameter 하에서도 양자 모델의 성능은 강건한가?
• RQ5 다양한 전력 시스템 장애 시나리오에 걸쳐 일반화가 가능하며, 안정성 경계 근처에서도 높은 신뢰도의 예측을 유지할 수 있는가?

주요 결과

• 모든 테스트 구성에서 노이즈 없는 ibmq_qasm_simulator에서 qTSA는 99% 이상의 정확도를 달성하여 이상적인 조건에서 뛰어난 모델 성능을 입증한다.
• 실제 노이즈 있는 장치 ibmq_boeblingen에서 qTSA (2,6)는 높은 정확도(98.12%)를 유지하며 출력 확률 분포의 최소한의 변동을 보이며 강력한 노이즈 내성 임을 시사한다.
• qTSA (2,10)의 경우 정확도는 여전히 높은 편(97.89%)이지만, 확률 피크가 중심 쪽으로 더 뚜렷하게 이동하는 경향을 보이며, 증가한 회로 깊이로 인해 예측 정밀도가 감소함을 나타낸다.
• 추가 큐비트와 더 깊은 회로를 가진 qTSA (3,6)는 실제 장치에서 정확도가 급격히 52.02%로 떨어지며, 출력 확률이 0.5 근처에 집중되어 있어 양자 디코herence와 노이즈 유도 랜덤성의 징후로 나타난다.
• 게이트 오차가 0.02 이하 또는 열적 리프레시 시간(T₁)이 10 µs 이하일 경우 모델은 높은 정확도와 정밀도를 유지하며, 이는 현재의 양자 하드웨어로 구현 가능한 조건이다.
• 안정성 경계 근처(저정밀도 영역)의 샘플은 노이즈에 가장 민감하지만, qTSA는 노이즈 환경에서도 대부분의 샘플에 대해 정확한 분류를 유지한다.