面向剩余有用寿命预测的混合量子循环神经网络
机器学习
2026-02-18 v2 量子物理
摘要
航空航天领域的预测性维护依赖于对喷气发动机剩余有用寿命的精确估计。本文引入一种混合量子循环神经网络框架，将量子长短期记忆层与经典密集层相结合，用于NASA商业模块化喷气发动机系统仿真数据集上的剩余有用寿命预测。每个量子长短期记忆门将常规线性变换替换为量子深度嵌入电路，使网络能够更有效地学习高频分量。实验结果表明，尽管混合量子循环神经网络的可训练参数数量更少，但在均方根均值误差和平均绝对误差方面，其性能比基于堆叠长短期记忆层的循环神经网络提升了最高5%。此外，本文与已有技术（包括随机森林、卷积神经网络和多层感知器）进行了全面比较，显示出在均方根误差为15.46时，本方法分别超过这些基线约13.68%、16.21%和7.87%。然而，某些高级联合架构仍优于本方法。我们的发现凸显了在数据有限条件下，混合量子-经典方法在鲁棒时间序列预测中的潜力，为提升预测性维护任务中的可靠性提供了新思路。
引用
@article{arxiv.2504.20823,
title = {Hybrid quantum recurrent neural network for remaining useful life prediction},
author = {Olga Tsurkan and Aleksandra Konstantinova and Aleksandr Sedykh and Arsenii Senokosov and Daniil Tarpanov and Matvei Anoshin and Asel Sagingalieva and Alexey Melnikov},
journal= {arXiv preprint arXiv:2504.20823},
year = {2026}
}
备注
11 pages, 5 figures. 3 tables