基于混合量子-经典去噪Transformer的锂离子电池剩余使用寿命轻量化预测方法

《Scientific Reports》：HQDeTransformer: hybrid quantum denoising Transformer for time series forecasting

　　**摘要**准确预测锂离子电池的剩余使用寿命（RUL）对于提升电池供电系统的可靠性和安全性至关重要，尤其是在电动汽车领域。尽管近期机器学习方法（如Transformer和循环神经网络）已取得可喜成果，但由于计算成本高且模型体积大，其在资源受限环境中的部署受到限制。本文提出了一种新型混合量子-经典去噪Transformer（HQDeTransformer）架构，该架构将变分量子电路（VQC）和量子增强注意力机制整合到基于Transformer的框架中。所提出的HQDeTransformer采用混合量子去噪自编码器来缓解容量退化序列中的噪声，并利用混合量子-经典神经网络构建轻量化的多头注意力和前馈模块。在NASA和CALCE基准数据集上的实验评估表明，HQDeTransformer的性能优于传统机器学习模型和量子机器学习模型，同时减少了可训练参数的数量。此外，角度-振幅量子嵌入的使用以及更深量子层的引入有助于提升模型的泛化能力和表达能力。这些结果凸显了混合量子-经典模型在实际电池管理系统中实现轻量化、高精度且具有抗噪能力的RUL预测的巨大潜力。