[论文解读] Forecasting steam mass flow in power plants using the parallel hybrid network

Andrii Kurkin, Jonas Hegemann+2 more|arXiv (Cornell University)|Jul 18, 2023

Neural Networks and Applications被引用 5

一句话总结

该论文提出了一种并行混合神经网络（PHN），将经典前馈神经网络与参数化量子线路相结合，以提前15分钟预测热电厂的蒸汽质量流量。该模型相较于纯经典模型，实现了5.7倍的均方误差（MSE）降低和高达2倍的相对误差减小，通过并行架构中经典与量子组件的互补学习，展现出卓越性能。

ABSTRACT

Efficient and sustainable power generation is a crucial concern in the energy sector. In particular, thermal power plants grapple with accurately predicting steam mass flow, which is crucial for operational efficiency and cost reduction. In this study, we use a parallel hybrid neural network architecture that combines a parametrized quantum circuit and a conventional feed-forward neural network specifically designed for time-series prediction in industrial settings to enhance predictions of steam mass flow 15 minutes into the future. Our results show that the parallel hybrid model outperforms standalone classical and quantum models, achieving more than 5.7 and 4.9 times lower mean squared error loss on the test set after training compared to pure classical and pure quantum networks, respectively. Furthermore, the hybrid model demonstrates smaller relative errors between the ground truth and the model predictions on the test set, up to 2 times better than the pure classical model. These findings contribute to the broader scientific understanding of how integrating quantum and classical machine learning techniques can be applied to real-world challenges faced by the energy sector, ultimately leading to optimized power plant operations. To our knowledge, this study constitutes the first parallel hybrid quantum-classical architecture deployed on a real-world power-plant dataset, illustrating how near-term quantum resources can already augment classical analytics in the energy sector.

研究动机与目标

• 为解决热电厂中准确蒸汽质量流量预测的挑战，这对运行效率和成本降低至关重要。
• 探索混合量子-经典机器学习在真实工业时间序列预测中的可行性与性能。
• 设计并评估一种新型并行架构，使经典网络与量子网络独立运行但协同作用。
• 在真实工业数据上，将混合模型的性能与独立的经典和量子神经网络进行比较。
• 证明量子机器学习可在实际能源领域应用中带来切实改进。

提出的方法

• 设计了一种并行混合神经网络（PHN）架构，经典与量子神经网络并行训练，而非顺序训练。
• 经典部分采用在PyTorch中实现的前馈神经网络，用于时间序列回归。
• 量子部分采用含变分酉门的参数化量子线路（PQC），使用PennyLane框架实现。
• 量子线路将输入特征编码为量子态，并通过测量可观测量生成预测结果，梯度通过伴随法计算。
• 训练采用联合损失函数，经典部分通过反向传播优化，量子部分通过伴随法优化。
• 超参数调优优先对量子网络进行预训练，以建立正弦基线，随后再引入经典网络的贡献。

实验结果

研究问题

• RQ1 并行混合量子-经典神经网络架构是否能在工业时间序列预测中优于独立的经典和量子模型？
• RQ2 在并行结构中，经典与量子组件的独立训练如何影响模型收敛性和性能？
• RQ3 量子机器学习在多大程度上可提升热电厂蒸汽质量流量预测的准确性？
• RQ4 与经典基线相比，混合模型是否在真实、周期性的工业时间序列数据中降低了相对误差？
• RQ5 何种训练策略可确保两组件贡献均衡，防止某一组件主导混合模型？

主要发现

• 在训练100个周期后，与纯经典神经网络相比，该并行混合网络在测试集上的均方误差（MSE）降低了超过5.7倍。
• 与纯量子神经网络相比，混合模型将MSE降低了4.9倍，显著优于两种独立模型。
• 与仅使用经典模型相比，混合模型在真实数据上的预测值与真实值之间的相对误差最高降低了2倍，表明其在未见数据上具有更高的准确性。
• 量子网络的预训练阶段帮助建立了正弦基线，使后续经典网络的训练更加平滑且高效。
• 并行架构避免了组件间的干扰，使每个组件能独立贡献，从而提升了整体模型的稳定性和性能。
• 结果证实，混合量子-经典模型在真实工业时间序列预测任务中，可优于单独的经典或量子模型。