Hybrid Quantum–Classical Models for Forecasting and Anomaly Detection on Edge IoT Devices
Notice bibliographique
Résumé
The growing complexity of Internet of Things (IoT) networks has generated massive multivariate time-series data at the edge, challenging traditional forecasting and anomaly-detection models due to limited computation, memory, and energy on edge devices. Quantum machine learning (QML) provides a promising solution through expressive, parameter-efficient models that align with these constraints. This study proposes two distinct quantum-classical approaches for edge-based IoT analytics. The first combines a Quantum Neural Network (QNN) with a Quantum Autoencoder (QAE) to deliver lightweight forecasting and anomaly detection. The second employs Quantum Long Short-Term Memory (QLSTM) networks, exploring multiple variants and introducing optimization strategies to enable efficient deployment on a Raspberry Pi 5 using PennyLane simulators. Both approaches are evaluated on two real-world IoT datasets Bker (weather parameters) and ETTm1 (transformer temperature) and with a unified preprocessing pipeline incorporating normalization and PCA-based dimensionality reduction. Results show that QLSTM variants achieve superior forecasting accuracy, while QNN+QAE ensures robust anomaly detection with minimal resource overhead. A lightweight QLSTM variant strikes the best balance between accuracy and inference latency, enabling real-time edge deployment. To our knowledge, this is among the first practical demonstrations of QML-based forecasting and anomaly detection directly on edge hardware, highlighting a feasible pathway toward quantum-enhanced IoT intelligence.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».