QAmplifyNet: Pushing the Boundaries of Supply Chain Backorder Prediction Using Interpretable Hybrid Quantum – Classical Neural Network

要約

サプライ チェーン管理は、在庫管理を最適化し、コストを削減し、顧客満足度を向上させるために、正確なバックオーダー予測に依存しています。
しかし、従来の機械学習モデルは大規模なデータセットや複雑な関係に対処できず、現実世界のデータ収集を妨げています。
この研究では、サプライチェーンの入荷待ち予測のための新しい方法論的フレームワークを導入し、大規模なデータセットを処理するという課題に対処します。
私たちが提案するモデル QAmplifyNet は、量子古典ニューラル ネットワーク内で量子にヒントを得た手法を採用し、短く不均衡なデータセットでバックオーダーを効果的に予測します。
ベンチマーク データセットの実験評価では、古典モデル、量子アンサンブル、量子ニューラル ネットワーク、深層強化学習に対する QAmplifyNet の優位性が実証されています。
短く不均衡なデータセットの処理に優れているため、サプライ チェーン管理にとって理想的なソリューションとなります。
モデルの解釈可能性を高めるために、説明可能な人工知能技術を使用します。
実際的な意味としては、在庫管理の改善、バックオーダーの削減、業務効率の向上などが挙げられます。
QAmplifyNet は現実世界のサプライ チェーン管理システムにシームレスに統合され、プロアクティブな意思決定と効率的なリソース割り当てを可能にします。
今後の作業には、量子にヒントを得たさらなる技術の探索、データセットの拡張、および他のサプライ チェーン アプリケーションの調査が含まれます。
この研究は、サプライ チェーンの最適化における量子コンピューティングの可能性を解き放ち、サプライ チェーン管理における量子にインスピレーションを受けた機械学習モデルのさらなる探究への道を開きます。
当社のフレームワークと QAmplifyNet モデルは、サプライ チェーンの入荷待ち予測に対する画期的なアプローチを提供し、優れたパフォーマンスを提供し、サプライ チェーン管理で量子にインスピレーションを受けた技術を活用するための新しい道を開きます。

要約(オリジナル)

Supply chain management relies on accurate backorder prediction for optimizing inventory control, reducing costs, and enhancing customer satisfaction. However, traditional machine-learning models struggle with large-scale datasets and complex relationships, hindering real-world data collection. This research introduces a novel methodological framework for supply chain backorder prediction, addressing the challenge of handling large datasets. Our proposed model, QAmplifyNet, employs quantum-inspired techniques within a quantum-classical neural network to predict backorders effectively on short and imbalanced datasets. Experimental evaluations on a benchmark dataset demonstrate QAmplifyNet’s superiority over classical models, quantum ensembles, quantum neural networks, and deep reinforcement learning. Its proficiency in handling short, imbalanced datasets makes it an ideal solution for supply chain management. To enhance model interpretability, we use Explainable Artificial Intelligence techniques. Practical implications include improved inventory control, reduced backorders, and enhanced operational efficiency. QAmplifyNet seamlessly integrates into real-world supply chain management systems, enabling proactive decision-making and efficient resource allocation. Future work involves exploring additional quantum-inspired techniques, expanding the dataset, and investigating other supply chain applications. This research unlocks the potential of quantum computing in supply chain optimization and paves the way for further exploration of quantum-inspired machine learning models in supply chain management. Our framework and QAmplifyNet model offer a breakthrough approach to supply chain backorder prediction, providing superior performance and opening new avenues for leveraging quantum-inspired techniques in supply chain management.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google