QSegRNN: quantum segment recurrent neural network for time series forecasting
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Recently many data centers have been constructed for artificial intelligence (AI) research. The important condition of the data center is to supply sufficient electricity, resulting in many electricity transformers being installed. Especially, these electricity transformers have led to significant heat generation in many data centers. Therefore, managing the temperature of electricity transformers has emerged as an important task. Notably, numerous studies are being conducted to manage and forecast the temperature of electricity transformers using artificial intelligence models. However, as the size of predictive models increases and computational demands grow, substantial computing resources are required. Consequently, there are instances where the lack of computing resources makes these models difficult to operate. To address these challenges, we propose a quantum segment recurrent neural network (QSegRNN), a time series forecasting model utilizing quantum computing. QSegRNN leverages quantum computing to achieve comparable performance with fewer parameters than classical counterpart models under similar conditions. QSegRNN inspired by a classical SegRNN uses the quantum cell instead of the classical cell in the model. The advantage of this structure is that it can be designed with fewer parameters under similar architecture. To construct the quantum cell, we benchmark the quantum convolutional circuit with amplitude embedding as the variational quantum circuit, minimizing information loss while considering the limit of noisy intermediate-scale quantum (NISQ) devices. The experiment result illustrates that the forecasting performance of QSegRNN achieves better performance than SegRNN and other forecasting models even though QSegRNN has only 85 percent of the parameters.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle