論文要約：ハイブリッド深度注入型量子ニューラルネットワークを用いた製鉄高炉温度の予測制御

本論文は、製鉄プロセスにおける高炉温度の予測精度と制御安定性を向上させるため、古典的な機械学習と量子コンピューティングを融合させた新しいアプローチ（ハイブリッド量子機械学習）を提案した研究です。POSCO Holdings と Terra Quantum AG の共同研究により、実産業データを用いた検証が行われました。

以下に、問題定義、手法、主要な貢献、結果、および意義について詳細をまとめます。

1. 背景と課題 (Problem)

• 高炉制御の重要性: 高炉は製鉄プロセスの心臓部であり、溶鉄の温度を最適に維持することは、エネルギー効率の最大化、生産性の向上、高品質な製品の確保に不可欠です。
• 制御の難しさ: 高炉内部は高温・高圧であり、直接観測が困難です。また、原料投入から温度変化までの間に 2〜3 時間という大きな時間遅延（タイムラグ）が存在し、非線形かつ複雑な挙動を示します。
• 粉砕石炭注入（PCI）の課題: コークスの一部を安価な粉砕石炭（PCI）で代替する PCI 技術は一般的ですが、注入量の制御が温度安定性に直結します。従来の制御では、温度変動が目標値から±50°C 程度まで大きく振れることがあり、これにより「フックアップ（炉内詰まり）」や「バックラミネーション（溶鉄の再凝固）」などの危険な事象や、燃料コストの増大を招いていました。
• 既存手法の限界: 従来の機械学習モデル（LSTM など）は複雑な時系列パターンを学習できますが、高次元な入力データやノイズの多い産業データにおいて、予測精度と汎化性能に限界がある場合があります。

2. 提案手法 (Methodology)

本研究では、実時間での温度予測と PCI 注入量の最適化を行うための**ハイブリッド量子古典ニューラルネットワーク（HQNN）**を開発しました。

• データ前処理と特徴量選択:

  • POSCO 光陽製鉄所の 2023 年のデータ（580 個のセンサー、1 分間隔）を使用。
  • 欠損値処理、IQR（四分位範囲）に基づく外れ値除去（高炉特有のデータ特性を考慮し、標準的な 1.5 IQR ではなく 5 IQR を採用）を実施。
  • 勾配ブースティング（GB）モデルを用いた特徴量重要度評価により、温度と PCI 制御に最も影響を与える 25 個の特徴量（PCI 率、炉壁温度、スラグ組成など）を選定。
  • 時系列データのノイズ低減と整合性確保のため、時間窓平均による離散化を実施。

• ハイブリッド量子モデルのアーキテクチャ:

  • 基本構造: 古典的な LSTM（Long Short-Term Memory）ネットワークをベースとし、その全結合層の間に量子深度注入（QDI: Quantum Depth-Infused）層を挿入したハイブリッド構造を採用。
  • QDI 層: 6 量子ビット（qubits）を用いた変分量子回路（Variational Quantum Circuit）を実装。パラメータ化された回転ゲート（$R_x, R_y$）と CNOT ゲート（エンタングルメント）により、古典的な特徴空間を量子ヒルベルト空間にマッピングし、複雑な相関関係を効率的に表現します。
  • 予測モデル: 過去 24 時間ステップ（240 分）のセンサーデータを入力とし、未来 5 時間ステップ（50 分）の温度および全センサー値を予測するモデル（$M_T$ および$M_{all}$）を構築。

• PCI 最適化フレームワーク:

  • 予測モデルを用いて、異なる PCI 注入ポリシーが将来の温度に与える影響をシミュレーション。
  • 勾配降下法を用いた最適化モデル（$M_{optim}$）により、目標温度（例：1510°C）からの偏差を最小化し、かつ PCI 値が物理的に実行可能な範囲（0〜1）内に収まるような注入ポリシーを逐次的に更新・最適化します。

3. 主要な貢献 (Key Contributions)

1. ハイブリッド量子アプローチの産業応用: 製鉄という複雑な物理プロセスにおいて、NISQ（ノイズあり中規模量子）時代の制約下でも機能する実用的な HQNN モデルを実証しました。
2. 特徴量空間の量子拡張: 古典的な LSTM 単体では捉えきれない複雑な非線形相互作用を、量子回路による特徴量エンコーディングによって改善し、予測精度を向上させました。
3. 予測から制御までの統合パイプライン: 単なる温度予測にとどまらず、予測結果に基づいて PCI 注入量を最適化する「予測制御（Predictive Control）」の完全なパイプラインを構築し、実データで検証しました。

4. 結果 (Results)

• 予測精度の向上:
  • 1 時間先（5 時間ステップ）の温度予測において、ハイブリッド量子モデルは RMSE（平均二乗誤差の平方根）4.46 を達成しました。
  • これに対し、古典的な LSTM モデルの RMSE は 5.95 でした。
  • 予測誤差が約 25% 改善され、量子層の導入がモデルの性能向上に寄与していることが確認されました。また、モデルパラメータ数が削減され、過学習に対する頑健性も向上しました。
• 温度制御の安定化:
  • 提案された最適化アルゴリズムを用いた結果、炉温の制御変動幅が従来の**±50°C から±7.6°C**へと劇的に改善されました。
  • 図 1 に示されるように、最適化された PCI ポリシーは、目標操作窓（1500°C〜1510°C）内で温度を安定して維持しました。

5. 意義と将来展望 (Significance)

• 経済的・安全面へのインパクト:
  • 温度変動幅の縮小により、目標温度の設定値を下げることが可能になり、燃料（石炭）消費量の削減とコスト節約が見込めます（1 基の高炉あたり年間数百万〜数千万円の節約効果）。
  • 温度安定化は「フックアップ」や「バックラミネーション」などの危険な事象のリスクを低減し、作業者の安全性と設備寿命を向上させます。
• 産業 AI の新たなパラダイム:
  • 完全な量子コンピュータが実用化される前の段階でも、古典的フレームワークに量子要素を統合する「ハイブリッドアプローチ」が、現実の産業課題に対して具体的な価値を生み出すことを実証しました。
  • この手法は製鉄に限らず、他の複雑な産業プロセス制御（化学プラント、エネルギー管理など）にも応用可能な汎用的な枠組みを提供します。

結論:
本研究は、量子機械学習（QML）が実世界の製造業において、単なる理論的な概念を超えて、予測精度と制御安定性を飛躍的に高める実用的なソリューションとなり得ることを示しました。量子ハードウェアの進化に伴い、その効果はさらに増幅されると期待されます。