面向云工作负载的全自适应架构优化内嵌量子神经网络模型
机器学习
2025-07-14 v1
摘要
准确的工作负载预测和高级资源预留对于管理动态云服务至关重要。传统神经网络和深度学习模型在应对多样化、高维度的工作负载时，尤其是在资源需求突变时，常常面临挑战，导致效率低下。这一问题源于它们在训练期间仅依赖参数（即 interconnected weights）调整，缺乏针对结构的优化。为此，本文提出了一种新型全自适应架构优化内嵌可变量子神经网络（CA-QNN），其结合了量子计算的效率和完整的结构与量子位向量参数学习。该模型将工作负载数据转换为量子位，通过受控非门激活函数处理的量子位神经元进行模式识别。此外，引入一种针对网络的全面架构优化算法，以促进结构和参数值在可变大小量子神经网络中的学习与传播。该算法在训练过程中集成了量子自适应调制和尺寸自适应重组。本文全面评估了 CA-QNN 模型在四个异构云工作负载基准数据集上的性能，对比七种最先进的方法。结果表明，所提模型在预测准确性方面优于现有深度学习和量子神经网络方法，预测误差分别降低了最高可达 93.40% 和 91.27%。
引用
@article{arxiv.2507.08317,
title = {A Comprehensively Adaptive Architectural Optimization-Ingrained Quantum Neural Network Model for Cloud Workloads Prediction},
author = {Jitendra Kumar and Deepika Saxena and Kishu Gupta and Satyam Kumar and Ashutosh Kumar Singh},
journal= {arXiv preprint arXiv:2507.08317},
year = {2025}
}