Washington Institute for STEM, Entrepreneurship and Research (WISER)と欧州のエネルギー大手E.ONは、多出力時系列電力需要予測のためのハイブリッド量子古典機械学習（QML）を評価する共同研究を完了しました。arXivに公開されたこの共同プロジェクトでは、100量子ビット以上のIBM Quantumハードウェア上で実用規模の実験を実施し、Noisy Intermediate-Scale Quantum（NISQ）デバイスが複雑で相関性のある顧客消費パターンをモデル化できるかどうかを検証しました。
相互接続された複数の家庭にわたる電力負荷の予測は、ストリーム間の相関、気象による非線形性、多スケールの季節性により、古典的統計手法では困難です。この多系列予測の課題に対処するため、研究者たちは2つの異なるハードウェア対応量子アルゴリズムを設計しました：
- Kernelized Quantum Reservoir Computing with Repeated Measurement (KQRC-RM): 結合した量子リザーバ、アンシラ支援の反復測定フィードバック、およびカーネルリッジ回帰を組み合わせたもの。再帰的な量子ダイナミクスを活用することで、KQRC-RMは時間的依存性と、より小規模な世帯のサブセット間での顧客間相関をモデル化する。
- Projected Quantum Kernel Gaussian Process (QGP): 従来のグローバルなフィデリティベースの量子カーネルを、局所的な縮約密度状態の観測量から構築された射影カーネルに置き換えたもの。この局所測定戦略により、指数関数的なサンプル分散が削減され、NISQデバイスのノイズに対する耐性が向上し、モデルがより大規模な顧客コホートにスケールすることを可能にする。
103台のスマートメーターを追跡する匿名化されたデータセットを使用し、チームはシミュレーションと物理ハードウェアでの実行を、確立された古典的ベースラインと比較しました：
- QGP Benchmarking: 古典的なマルチ出力Gaussian Processベースラインとの小規模ベンチマークにおいて、QGPモデルはシミュレーションで62.01%の平均絶対誤差（MAE）削減を達成し、実際のハードウェアでは40.37%のMAE削減を達成しました。
- KQRC-RM Benchmarking: カーネルリッジ回帰を使用する古典的なEcho State Networkと比較して、KQRC-RMはシミュレータバックエンドで36.92%のMAE削減を達成しました。ただし、物理ハードウェア実装は環境デバイスノイズに対してより敏感であることが判明しました。
- 100-Qubit Utility-Scale Experiment: 100個のマルチ出力顧客時系列を同時に予測する100量子ビットのトポロジー認識QGP実行において、予測出力の80%が低または中程度の誤差カテゴリに収まり、ハイブリッド量子支援予測が近い将来のハードウェアアレイで実現可能であることを実証しました。
WISERのVardaan SahgalとE.ONのチーフ量子科学者Dr. Corey O'Mearaが主導したこのプロジェクトは、多出力量子カーネルが現代のエネルギー配電ネットワークに予測インテリジェンスを提供できることを示しています。再生可能エネルギーの統合、電気自動車の充電、分散型発電が配電網全体の負荷変動を増加させる中、ハードウェア対応QMLアルゴリズムは、リアルタイムのグリッドバランシングと予測的負荷計画に向けた拡張可能な道筋を提供します。
公式発表についてはWISER Research Hubで、完全な技術論文についてはarXivでご確認いただけます。
2026年7月25日
