Quantum Computing Based Edge Intelligence for Enhancing the Efficiency and Scalability of IoT Applications
Notice bibliographique
Résumé
Efficient energy management in smart homes has become increasingly critical due to the proliferation of IoT-enabled appliances, renewable energy integration, and dynamic electricity pricing. Traditional optimization approaches often struggle to balance dynamic household demand, renewable generation, and battery storage in real-time. This study proposes a Quantum Edge Intelligence (QEI) framework for smart grid energy optimization, integrating LSTM-based load forecasting with quantum-inspired combinatorial optimization and edge-based decision-making to improve efficiency, scalability, and resilience. The framework operates in three stages: First, historical household energy consumption data are preprocessed and categorized into flexible and inflexible loads to model real-world usage patterns. Second, a Long Short-Term Memory (LSTM) network generates short-term forecasts of household energy demand, capturing temporal dependencies in consumption patterns. Third, a quantum-inspired optimization module, based on the Quantum Approximate Optimization Algorithm (QAOA), schedules flexible appliances, battery operations, and renewable integration to minimize electricity costs, reduce peak demand, and enhance grid stability. Edge intelligence ensures local computation at simulated nodes, enabling faster and scalable decision-making across multiple households within the smart grid. Evaluation using the UCI Household Power Consumption dataset demonstrates that the proposed framework reduces electricity costs by up to 30%, lowers peak demand by 20%, and improves load-shifting efficiency compared to classical heuristics and Mixed Integer Linear Programming (MILP) based methods. The convergence of these technologies in QEI promises to overcome the existing limitations of IoT frameworks and set a new standard for the future of IoT applications.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,003 | 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 ».