論文の概要: Learning Best Paths in Quantum Networks

• arxiv url: http://arxiv.org/abs/2506.12462v1
• Date: Sat, 14 Jun 2025 12:01:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:46.21349
• Title: Learning Best Paths in Quantum Networks
• Title（参考訳）: 量子ネットワークにおけるベストパスの学習
• Authors: Xuchuang Wang, Maoli Liu, Xutong Liu, Zhuohua Li, Mohammad Hajiesmaili, John C. S. Lui, Don Towsley,
• Abstract要約: 量子ネットワーク(QN)は、ノイズの多い量子チャネルをまたいだ繊細な量子情報を伝達する。 本稿では,オンライン学習環境におけるQNの学習経路について述べる。 そこで我々は,BeQuP-LinkとBeQuP-Pathという2つのオンライン学習アルゴリズムを導入し,最適経路の同定を行った。
• 参考スコア（独自算出の注目度）: 35.925796298492
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum networks (QNs) transmit delicate quantum information across noisy quantum channels. Crucial applications, like quantum key distribution (QKD) and distributed quantum computation (DQC), rely on efficient quantum information transmission. Learning the best path between a pair of end nodes in a QN is key to enhancing such applications. This paper addresses learning the best path in a QN in the online learning setting. We explore two types of feedback: "link-level" and "path-level". Link-level feedback pertains to QNs with advanced quantum switches that enable link-level benchmarking. Path-level feedback, on the other hand, is associated with basic quantum switches that permit only path-level benchmarking. We introduce two online learning algorithms, BeQuP-Link and BeQuP-Path, to identify the best path using link-level and path-level feedback, respectively. To learn the best path, BeQuP-Link benchmarks the critical links dynamically, while BeQuP-Path relies on a subroutine, transferring path-level observations to estimate link-level parameters in a batch manner. We analyze the quantum resource complexity of these algorithms and demonstrate that both can efficiently and, with high probability, determine the best path. Finally, we perform NetSquid-based simulations and validate that both algorithms accurately and efficiently identify the best path.
• Abstract（参考訳）: 量子ネットワーク(QN)は、ノイズの多い量子チャネルをまたいだ繊細な量子情報を伝達する。 量子鍵分布(QKD)や分散量子計算(DQC)といった重要な応用は、効率的な量子情報伝送に依存している。 QN内の一対の終端ノード間の最良のパスを学ぶことが、そのようなアプリケーションを強化する鍵となる。 本稿では,オンライン学習環境におけるQNの学習経路について述べる。 リンクレベル"と"パスレベル"の2つのタイプについて検討する。 リンクレベルのフィードバックは、リンクレベルのベンチマークを可能にする高度な量子スイッチを持つQNに関連する。 一方パスレベルのフィードバックは、パスレベルのベンチマークのみを許可する基本量子スイッチと関連付けられている。 本研究では,BeQuP-LinkとBeQuP-Pathという2つのオンライン学習アルゴリズムを導入し,リンクレベルとパスレベルのフィードバックを用いて最適な経路を特定する。 最高のパスを学ぶために、BeQuP-Linkはクリティカルリンクを動的にベンチマークし、BeQuP-Pathはサブルーチンに依存し、パスレベルの観察をバッチ形式でリンクレベルのパラメータを推定するために転送する。 我々はこれらのアルゴリズムの量子資源の複雑さを分析し、両者が効率的かつ高い確率で最良の経路を決定することを実証する。 最後に,NetSquidをベースとしたシミュレーションを行い,両アルゴリズムが最適経路を高精度かつ効率的に同定できることを検証する。

関連論文リスト

• RH: An Architecture for Redesigning Quantum Circuits on Quantum Hardware Devices [6.959884576408311]
  本稿では,量子ハードウェア上での大規模量子回路の再設計を実現するアーキテクチャを提案する。 ランダムな量子回路モジュールを標準のEQ-GANフレームワークにプリプションすることで、量子状態学習からユニタリ変換学習までその能力を拡張する。
  論文  参考訳（メタデータ） (2024-12-30T12:05:09Z)
• Quantum Entanglement Path Selection and Qubit Allocation via Adversarial Group Neural Bandits [6.188254910369404]
  量子データネットワーク(QDN)は情報処理と伝送の分野で有望なフレームワークとして登場した。 本稿では,2つの選択された量子コンピュータ間の絡み合いの最大成功率を達成するための最善の戦略を学習することを目的とする。
  論文  参考訳（メタデータ） (2024-11-01T02:19:50Z)
• SWAP-less Implementation of Quantum Algorithms [0.0]
  本稿では,接続性に制限のあるデバイスにアルゴリズムを実装するために,パリティ量子情報のフローを追跡するフォーマリズムを提案する。 我々は、エンタングゲートが量子状態を操作するだけでなく、量子情報の伝達にも活用できるという事実を活用している。
  論文  参考訳（メタデータ） (2024-08-20T14:51:00Z)
• QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
  QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。 提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
  論文  参考訳（メタデータ） (2024-01-10T22:33:00Z)
• Quantum Imitation Learning [74.15588381240795]
  本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。 量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。 実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-04-04T12:47:35Z)
• Benchmarking Quantum Circuit Transformation with QKNOB Circuits [4.518076543914809]
  超伝導量子デバイスは、量子回路の実行に厳格な接続制約を課す。 本稿では,量子回路変換のための新しいベンチマーク構築手法であるQKNOBを紹介する。 我々は、デフォルトのQiskitコンパイラであるSABREが、53量子ビットのIBM Q RochesterとGoogle Sycamoreデバイス上で一貫して最高のパフォーマンスを達成していることを示す。
  論文  参考訳（メタデータ） (2023-01-21T10:05:51Z)
• QuantumNAS: Noise-Adaptive Search for Robust Quantum Circuits [26.130594925642143]
  ノイズノイズは、NISQ(Noisy Intermediate-Scale Quantum)コンピュータにおける鍵となる課題である。 可変回路と量子ビットマッピングのノイズ適応型共同研究のための,最初の包括的なフレームワークであるQuantumNASを提案し,実験的に実装した。 QMLタスクでは、QuantumNASは95%以上の2クラス、85%の4クラス、実際の量子コンピュータ上での10クラスの分類精度を初めて証明した。
  論文  参考訳（メタデータ） (2021-07-22T17:58:13Z)
• Fast Swapping in a Quantum Multiplier Modelled as a Queuing Network [64.1951227380212]
  量子回路をキューネットワークとしてモデル化することを提案する。 提案手法はスケーラビリティが高く,大規模量子回路のコンパイルに必要となる潜在的な速度と精度を有する。
  論文  参考訳（メタデータ） (2021-06-26T10:55:52Z)
• Purification and Entanglement Routing on Quantum Networks [55.41644538483948]
  不完全なチャネルフィリティと限られたメモリ記憶時間を備えた量子ネットワークは、ユーザ間の絡み合いを分散することができる。 本稿では,量子ネットワーク上の2ノード間で共有される絡み合いを最大化するための高速パスフィニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-23T19:00:01Z)
• QUANTIFY: A framework for resource analysis and design verification of quantum circuits [69.43216268165402]
  QUINTIFYは、量子回路の定量的解析のためのオープンソースのフレームワークである。 Google Cirqをベースにしており、Clifford+T回路を念頭に開発されている。 ベンチマークのため、QUINTIFYは量子メモリと量子演算回路を含む。
  論文  参考訳（メタデータ） (2020-07-21T15:36:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。