Uncertainty in Supply Chain Digital Twins: A Quantum-Classical Hybrid Approach

要約

この研究では、サプライチェーンのデジタルツインや財務リスク評価における回復力の獲得など、複雑で動的な分野のアプリケーション向けに、量子古典ハイブリッド機械学習 (ML) モデルを使用した不確実性定量化 (UQ) を調査します。
量子特徴変換は複雑なデータ タスクの ML モデルに統合されていますが、ハイブリッド アーキテクチャ (量子古典的アプローチ) 内での UQ への影響の決定にはギャップが存在します。
この研究では、ハイブリッド フレームワーク内のさまざまなモデルに既存の UQ 手法を適用し、量子特徴変換が不確実性の伝播にどのような影響を与えるかを調べます。
量子ビットを 4 から 16 に増やすと、外れ値検出 (OD) サンプルに対するモデルの応答性が変化することがわかります。これは、動的環境における回復力のある意思決定にとって重要な要素です。
この研究は、量子コンピューティング技術が、特に従来の手法と組み合わせた場合に、UQ のデータ特徴をどのように変換できるかを示しています。

要約(オリジナル)

This study investigates uncertainty quantification (UQ) using quantum-classical hybrid machine learning (ML) models for applications in complex and dynamic fields, such as attaining resiliency in supply chain digital twins and financial risk assessment. Although quantum feature transformations have been integrated into ML models for complex data tasks, a gap exists in determining their impact on UQ within their hybrid architectures (quantum-classical approach). This work applies existing UQ techniques for different models within a hybrid framework, examining how quantum feature transformation affects uncertainty propagation. Increasing qubits from 4 to 16 shows varied model responsiveness to outlier detection (OD) samples, which is a critical factor for resilient decision-making in dynamic environments. This work shows how quantum computing techniques can transform data features for UQ, particularly when combined with traditional methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google