최근 인공지능(AI) 연구를 위해 많은 데이터 센터가 구축되고 있다. 데이터 센터의 중요한 조건은 충분한 전력을 공급하는 것이며, 그 결과 다수의 전력 변압기가 설치된다. 특히 이러한 전력 변압기는 다수의 데이터 센터에서 상당한 열 발생을 초래하였다. 따라서 전력 변압기의 온도 관리는 중요한 과제로 부상하였다. 주목할 만하게도 인공지능 모델을 사용하여 전력 변압기의 온도를 관리하고 예측하기 위한 수많은 연구가 진행되고 있다. 그러나 예측 모델의 크기가 커지고 계산 요구가 증가함에 따라 상당한 계산 자원이 필요하다. 그 결과 계산 자원의 부족으로 인해 이러한 모델을 운영하기 어려운 경우가 발생한다. 이러한 문제를 해결하기 위해 우리는 양자 컴퓨팅을 활용한 시계열 예측 모델인 양자 세그먼트 순환 신경망(QSegRNN)을 제안한다. QSegRNN은 양자 컴퓨팅을 활용하여, 유사한 조건에서 기존의 고전적 대응 모델보다 더 적은 파라미터로도 비슷한 성능을 달성한다. QSegRNN은 고전적 SegRNN에서 영감을 받아 모델에서 고전적 셀 대신 양자 셀을 사용한다. 이 구조의 장점은 유사한 아키텍처에서 더 적은 파라미터로 설계할 수 있다는 점이다. 양자 셀을 구성하기 위해 우리는 양자 컨볼루션 회로를 진폭 임베딩을 갖는 변분 양자 회로로 벤치마킹하여, 노이즈가 있는 중간 규모 양자(NISQ) 장치의 한계를 고려하면서 정보 손실을 최소화한다. 실험 결과는 QSegRNN이 파라미터의 85%만을 사용함에도 불구하고, QSegRNN의 예측 성능이 SegRNN 및 기타 예측 모델보다 더 우수함을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.