پیش بینی گر نورومورفیک با الهام از محاسبات کوانتومی

شبکه های هوشمند به عنوان ستون فقرات سیستمهای انرژی مدرن با چالشهای متعددی از جمله پیش بینی خطاهای بلادرنگ و حفظ حریم خصوصی داده ها روبرو هستند. روش های سنتی تشخیص خطا اغلب با تاخیر بالا و مصرف انرژی زیاد همراه بوده و در محیط های توزیع شده ۶G ناکارآمد عمل می کنند. این مقاله یک معماری نوین ترکیبی پیشنهاد می دهد که یادگیری فدرال (FL) را با محاسبات نورومورفیک برای پردازش لبه ای کم مصرف و محاسبات کوانتومی برای بهینه سازی پارامترها ادغام می کند. این رویکرد با بهره گیری از شبکه های عصبی اسپایکینگ (SNN) در لایه نورومورفیک برای استخراج ویژگی های زمانی و الگوریتم بهینه سازی تقریبی کوانتومی QAOA برای تنظیم مدل های FL دقت پیش بینی خطا را تا ۹۵% افزایش می دهد در حالی که تاخیر را ۵۰٪ کاهش می دهد و مصرف انرژی را ۷۰% بهینه می سازد. شبیه سازی ها بر روی داده های واقعی شبکه های IEEE باس نشان دهنده برتری این روش نسبت به رویکردهای کلاسیک FL و کوانتومی مستقل است. این ایده که ترکیبی منحصر به فرد از این فناوری ها برای کاربرد خاص در شبکه های هوشمند است پتانسیل تحول در مدیریت انرژی توزیع شده را دارد و می تواند به پایداری سیستم های ۶G کمک کند. نتایج حاکی از کارایی بالا در سناریوهای واقعی است و پیشنهاد می شود برای پیاده سازی عملی در سخت افزارهای هیبریدی مورد بررسی قرار گیرد.

کلیدواژه ها:

یادگیری فدرال ، محاسبات نورومورفیک ، محاسبات کوانتومی ، شبکه های هوشمند ، پیش بینی خطا ، ۶G