Fugu-MT 論文翻訳(概要): orb-QFL: Orbital Quantum Federated Learning

論文の概要: orb-QFL: Orbital Quantum Federated Learning

arxiv url: http://arxiv.org/abs/2509.16505v1
Date: Sat, 20 Sep 2025 02:50:14 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-23 18:58:15.825468
Title: orb-QFL: Orbital Quantum Federated Learning
Title（参考訳）: Orb-QFL:オービタル量子フェデレートラーニング
Authors: Dev Gurung, Shiva Raj Pokhrel,
Abstract要約: 我々は、低地球軌道(LEO)衛星コンステレーションに適した新しい量子支援フェデレートラーニングフレームワークである軌道QFLを提案する。量子エンタングルメントと局所量子処理を利用して、分散化された衛星間協調を容易にする。我々は、Qiskit量子機械学習ツールキットとPoliastroベースの軌道シミュレーションを統合し、Statlogデータセットを用いて実験を行う。
参考スコア（独自算出の注目度）: 7.283533791778357
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Recent breakthroughs in quantum computing present transformative opportunities for advancing Federated Learning (FL), particularly in non-terrestrial environments characterized by stringent communication and coordination constraints. In this study, we propose orbital QFL, termed orb-QFL, a novel quantum-assisted Federated Learning framework tailored for Low Earth Orbit (LEO) satellite constellations. Distinct from conventional FL paradigms, termed orb-QFL operates without centralized servers or global aggregation mechanisms (e.g., FedAvg), instead leveraging quantum entanglement and local quantum processing to facilitate decentralized, inter-satellite collaboration. This design inherently addresses the challenges of orbital dynamics, such as intermittent connectivity, high propagation delays, and coverage variability. The framework enables continuous model refinement through direct quantum-based synchronization between neighboring satellites, thereby enhancing resilience and preserving data locality. To validate our approach, we integrate the Qiskit quantum machine learning toolkit with Poliastro-based orbital simulations and conduct experiments using Statlog dataset.
Abstract（参考訳）: 近年の量子コンピューティングのブレークスルーは、特に厳密な通信と調整の制約を特徴とする地球外環境において、フェデレートラーニング(FL)を進めるための変革的な機会を提供する。本研究では、低地球軌道(LEO)衛星コンステレーションに適した新しい量子支援フェデレートラーニングフレームワークOrb-QFLを提案する。従来のFLパラダイムとは違い、orb-QFLは集中サーバやグローバルアグリゲーション機構(例えば、FedAvg)を使わずに動作し、代わりに量子絡み合いと局所量子処理を活用して、分散的で衛星間協調を容易にする。この設計は、断続接続、高い伝搬遅延、カバー変数といった軌道力学の課題に本質的に対処する。このフレームワークは、隣接する衛星間の直接量子ベースの同期を通じて連続的なモデル改善を可能にし、レジリエンスを高め、データの局所性を保存する。このアプローチを検証するため、我々は、Qiskit量子機械学習ツールキットをPoliastroベースの軌道シミュレーションと統合し、Statlogデータセットを用いて実験を行う。

関連論文リスト

It's-A-Me, Quantum Mario: Scalable Quantum Reinforcement Learning with Multi-Chip Ensembles [29.944281778572876]
量子強化学習(QRL)はヒルベルト空間にアクセスできるコンパクト関数近似器を約束する。制約を克服するために,複数の小型量子畳み込みニューラルネットワーク(QCNN)を用いたマルチチップアンサンブルフレームワークを提案する。我々のアプローチは、スーパーマリオブラザーズ環境からの複雑な高次元の観測を独立した量子回路で分割する。
論文参考訳（メタデータ） (2025-08-31T06:15:55Z)
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)
Optimizing Global Quantum Communication via Satellite Constellations [4.697836093704253]
我々は、モルニヤ軌道における量子中継衛星を用いた新しいアプローチを導入し、通信効率とカバレッジを向上させる。我々の研究は、堅牢で効率的なグローバルな量子通信ネットワークを実現するために、量子衛星と中継システムをデプロイするための戦略的枠組みを提供する。
論文参考訳（メタデータ） (2024-12-31T05:26:38Z)
Quantum Annealing-Based Algorithm for Efficient Coalition Formation Among LEO Satellites [4.737806718785056]
衛星の数が増加するにつれて、維持するための通信リンクの数も増加する。本稿では、LEO衛星のクラスタリングを連立構造生成(CSG)問題として定式化する。我々はGCS-Qと呼ばれるハイブリッド量子古典アルゴリズムを用いて最適分割を求める。 D-Wave Advantage annealer と State-of-the-art solver Gurobi を用いて行った実験は、量子アニールが実行時において古典的手法よりも著しく優れていることを示した。
論文参考訳（メタデータ） (2024-08-12T08:53:46Z)
Quantum Random Access Codes Implementation for Resource Allocation and Coexistence with Classical Telecommunication [32.73124984242397]
現代の量子ネットワークは、異なるユーザー間でリソースを分配する能力に制限がある。資源割り当ての観点から、符号化と復号化の戦略を実験的に検証する。共存する古典的コミュニケーションをエミュレートすることにより、ノイズの存在下で実装のレジリエンスをテストする。
論文参考訳（メタデータ） (2024-03-27T20:46:50Z)
A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文参考訳（メタデータ） (2024-02-23T14:09:41Z)
Foundations of Quantum Federated Learning Over Classical and Quantum Networks [59.121263013213756]
量子フェデレーション学習(QFL)は、古典的フェデレーション学習(FL)の利点と量子技術の計算能力を統合する新しいフレームワークである。 QFLは古典的通信網と量子的通信網の両方に展開できる。
論文参考訳（メタデータ） (2023-10-23T02:56:00Z)
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)
Exploiting potentialities for space-based quantum communication network: downlink quantum key distribution modelling and scheduling analysis [8.25191890593706]
我々は、宇宙ベースの中継衛星が衛星ベースの量子鍵分布ミッションのシーケンスを実行する、短期的な形態から進化した量子ネットワークを考える。我々は、SatQKDの動的シミュレーションのための包括的なフレームワークを開発し、将来宇宙ベースの量子通信ネットワークにおけるQKDダウンリンクのスケジューリングについて検討する。
論文参考訳（メタデータ） (2021-06-02T07:10:08Z)
Quantum Federated Learning with Quantum Data [87.49715898878858]
量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
論文参考訳（メタデータ） (2021-05-30T12:19:27Z)
Entanglement Classification via Neural Network Quantum States [58.720142291102135]
本稿では、学習ツールと量子絡み合いの理論を組み合わせて、純状態における多部量子ビット系の絡み合い分類を行う。我々は、ニューラルネットワーク量子状態(NNS)として知られる制限されたボルツマンマシン(RBM)アーキテクチャにおいて、人工ニューラルネットワークを用いた量子システムのパラメータ化を用いる。
論文参考訳（メタデータ） (2019-12-31T07:40:23Z)

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。