Jul, 2023
QAmplifyNet: 推动供应链缺货预测边界的可解释混合量子 - 经典神经网络
QAmplifyNet: Pushing the Boundaries of Supply Chain Backorder Prediction Using Interpretable Hybrid Quantum - Classical Neural Network
Md Abrar Jahin, Md Sakib Hossain Shovon, Md. Saiful Islam, Jungpil Shin, M. F. Mridha...
TL;DR供应链管理中，准确的缺货预测对于优化库存控制、降低成本和提高客户满意度至关重要。本研究提出了一种新的方法论框架，通过使用量子启发技术在量子 - 经典神经网络中对缺货进行有效预测，有效应对大规模数据集处理的挑战。实验评估表明，我们的模型 QAmplifyNet 在处理短且不平衡的数据集方面表现优越，使其成为供应链管理的理想解决方案。此外，为了提高模型的可解释性，我们还运用了可解释的人工智能技术。未来的工作将包括探索更多的量子启发技术、扩展数据集，以及研究其他供应链应用。本研究揭示了量子计算在供应链优化中的潜力，并为在供应链管理中进一步探索量子启发机器学习模型铺平了道路。我们的方法论框架和 QAmplifyNet 模型提供了一种突破性的供应链缺货预测方法，提供卓越性能，并为利用量子启发技术在供应链管理中开辟了新的途径。