論文の概要: Robust Belief-State Policy Learning for Quantum Network Routing Under Decoherence and Time-Varying Conditions

• arxiv url: http://arxiv.org/abs/2509.08654v1
• Date: Wed, 10 Sep 2025 14:50:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.462416
• Title: Robust Belief-State Policy Learning for Quantum Network Routing Under Decoherence and Time-Varying Conditions
• Title（参考訳）: デコヒーレンスおよび時間変化条件下での量子ネットワークルーティングのためのロバスト信頼状態政策学習
• Authors: Amirhossein Taherpour, Abbas Taherpour, Tamer Khattab,
• Abstract要約: 本稿では,信頼状態計画とグラフニューラルネットワーク(GNN)を組み合わせた量子ネットワークルーティングの枠組みを提案する。 提案手法は、絡み合い劣化や時間変化チャネルノイズを含む複雑な量子ネットワークのダイナミクスを低次元の特徴空間にエンコードする。 最大100ノードのシミュレーション量子ネットワークの実験では、ルーティングの忠実度と絡み合いのデリバリー速度が大幅に改善された。
• 参考スコア（独自算出の注目度）: 5.246986428523558
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a feature-based Partially Observable Markov Decision Process (POMDP) framework for quantum network routing, combining belief-state planning with Graph Neural Networks (GNNs) to address partial observability, decoherence, and scalability challenges in dynamic quantum systems. Our approach encodes complex quantum network dynamics, including entanglement degradation and time-varying channel noise, into a low-dimensional feature space, enabling efficient belief updates and scalable policy learning. The core of our framework is a hybrid GNN-POMDP architecture that processes graph-structured representations of entangled links to learn routing policies, coupled with a noise-adaptive mechanism that fuses POMDP belief updates with GNN outputs for robust decision making. We provide a theoretical analysis establishing guarantees for belief convergence, policy improvement, and robustness to noise. Experiments on simulated quantum networks with up to 100 nodes demonstrate significant improvements in routing fidelity and entanglement delivery rates compared to state-of-the-art baselines, particularly under high decoherence and nonstationary conditions.
• Abstract（参考訳）: 本稿では、量子ネットワークルーティングのための特徴ベースの部分観測可能マルコフ決定プロセス(POMDP)フレームワークについて、動的量子システムにおける部分観測可能性、デコヒーレンス、拡張性に対処するために、信念状態計画とグラフニューラルネットワーク(GNN)を組み合わせる。 提案手法は,絡み合い劣化や時変チャネルノイズなどの複雑な量子ネットワークのダイナミクスを低次元の特徴空間にエンコードし,効率的な信念更新とスケーラブルなポリシー学習を実現する。 我々のフレームワークのコアとなるのは、絡み合ったリンクのグラフ構造化表現を処理してルーティングポリシーを学習するハイブリッドGNN-POMDPアーキテクチャと、堅牢な意思決定のためにPOMDPの信念更新をGNN出力と融合するノイズ適応機構である。 我々は、信条収束、政策改善、騒音に対する堅牢性を保証する理論分析を提供する。 最大100ノードのシミュレーション量子ネットワークの実験は、特に高デコヒーレンスおよび非定常条件下で、最先端のベースラインと比較して、ルーティングの忠実度と絡み合いの伝達速度が大幅に改善されたことを示す。

関連論文リスト

• TensoMeta-VQC: A Tensor-Train-Guided Meta-Learning Framework for Robust and Scalable Variational Quantum Computing [60.996803677584424]
  TensoMeta-VQCは、VQCの堅牢性とスケーラビリティを大幅に向上させるために設計された、TT誘導型メタラーニングフレームワークである。 我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに完全に委譲し、量子ハードウェアから最適化を効果的に分離する。
  論文  参考訳（メタデータ） (2025-08-01T23:37:55Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [60.996803677584424]
  変分量子回路(VQC)は、量子機械学習のための新しい経路を提供する。 それらの実用的応用は、制約付き線形表現性、最適化課題、量子ハードウェアノイズに対する鋭敏感といった固有の制限によって妨げられている。 この研究は、これらの障害を克服するために設計されたスケーラブルで堅牢なハイブリッド量子古典アーキテクチャであるVQC-MLPNetを導入している。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Quantum-driven Zero Trust Framework with Dynamic Anomaly Detection in 7G Technology: A Neural Network Approach [0.0]
  セキュリティ強化のためのQNN-ZTF(Quantum Neural Network-Enhanced Zero Trust Framework)を提案する。 セキュリティ強化のためにZero Trust Architecture, Intrusion Detection Systems, Quantum Neural Networks(QNN)を統合した。 サイバー脅威の軽減効果が向上し, 偽陽性と応答時間を減らすための枠組みの有効性が示された。
  論文  参考訳（メタデータ） (2025-02-11T18:59:32Z)
• Nonlinearity of the Fidelity in Open Qudit Systems: Gate and Noise Dependence in High-dimensional Quantum Computing [0.0]
  本稿では,リンドブラッド形式におけるマルコフ雑音下での単一キューディット系の平均ゲート忠実度(AGF)について検討する。 環境結合係数の観点から平均ゲート不忠実度(AGI)の摂動膨張に関する一般表現を導出する。 本研究は,AGIがQudit次元,量子ゲート選択,ノイズ強度に依存していることに注目し,量子ゲート設計と誤り訂正プロトコルを最適化するための重要な洞察を提供する。
  論文  参考訳（メタデータ） (2024-06-21T13:36:09Z)
• Scaling Limits of Quantum Repeater Networks [62.75241407271626]
  量子ネットワーク(QN)は、セキュアな通信、強化されたセンシング、効率的な分散量子コンピューティングのための有望なプラットフォームである。 量子状態の脆弱な性質のため、これらのネットワークはスケーラビリティの観点から大きな課題に直面している。 本稿では,量子リピータネットワーク(QRN)のスケーリング限界について解析する。
  論文  参考訳（メタデータ） (2023-05-15T14:57:01Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Resource Allocation via Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
  本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。 我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。 本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
  論文  参考訳（メタデータ） (2020-06-26T14:20:48Z)

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。