論文の概要: Vehicle Routing Problems via Quantum Graph Attention Network Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2511.15175v1
• Date: Wed, 19 Nov 2025 06:54:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.670771
• Title: Vehicle Routing Problems via Quantum Graph Attention Network Deep Reinforcement Learning
• Title（参考訳）: 量子グラフ注意ネットワークによる深部強化学習による車両ルーティング問題
• Authors: Le Tung Giang, Vu Hoang Viet, Nguyen Xuan Tung, Trinh Van Chien, Won-Joo Hwang,
• Abstract要約: 車両ルーティング問題(VRP)は、物流や流通に広く応用されたインテリジェント輸送システムにおいて、基本的なNPハードタスクである。 本稿では,従来の電車エンコーダの代わりにパラメータ化量子回路(PQC)を用いる量子グラフニューラルネットワーク(Q-GAT)フレームワークを提案する。 実験の結果、Q-GATは従来のGATと比較して、より高速な収束を実現し、ルーティングコストを約5%削減できることがわかった。
• 参考スコア（独自算出の注目度）: 6.587064004152391
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The vehicle routing problem (VRP) is a fundamental NP-hard task in intelligent transportation systems with broad applications in logistics and distribution. Deep reinforcement learning (DRL) with Graph Neural Networks (GNNs) has shown promise, yet classical models rely on large multi-layer perceptrons (MLPs) that are parameter-heavy and memory-bound. We propose a Quantum Graph Attention Network (Q-GAT) within a DRL framework, where parameterized quantum circuits (PQCs) replace conventional MLPs at critical readout stages. The hybrid model maintains the expressive capacity of graph attention encoders while reducing trainable parameters by more than 50%. Using proximal policy optimization (PPO) with greedy and stochastic decoding, experiments on VRP benchmarks show that Q-GAT achieves faster convergence and reduces routing cost by about 5% compared with classical GAT baselines. These results demonstrate the potential of PQC-enhanced GNNs as compact and effective solvers for large-scale routing and logistics optimization.
• Abstract（参考訳）: 車両ルーティング問題(VRP)は、物流や流通に広く応用されたインテリジェント輸送システムにおいて、基本的なNPハードタスクである。 グラフニューラルネットワーク(GNN)を用いた深部強化学習(DRL)は有望であるが、古典モデルはパラメータ重でメモリバウンドの大きい多層パーセプトロン(MLP)に依存している。 DRLフレームワーク内の量子グラフ注意ネットワーク(Q-GAT)を提案し、パラメータ化量子回路(PQC)が重要な読み出し段階における従来のMLPを置き換える。 ハイブリッドモデルは、トレーニング可能なパラメータを50%以上削減しながら、グラフアテンションエンコーダの表現能力を維持する。 近似ポリシー最適化(PPO)と欲求的および確率的デコーディングを用いて、VRPベンチマークの実験により、Q-GATは従来のGATベースラインと比較して、より高速な収束を実現し、ルーティングコストを約5%削減することが示された。 これらの結果は、大規模ルーティングとロジスティクス最適化のためのコンパクトで効果的な解法として、PQC強化GNNの可能性を示している。

関連論文リスト

• Graph Neural Network-Based Multicast Routing for On-Demand Streaming Services in 6G Networks [43.88530200050682]
  本稿では,GNNベースのマルチキャストルーティングフレームワークを提案する。 提案手法は、計算複雑性を著しく低減しつつ、最適な動的プログラムベースの解を近似する。 また,大規模および動的ネットワークトポロジへの強力な一般化も確認し,6Gマルチメディア配信シナリオにおけるリアルタイム展開の可能性を強調した。
  論文  参考訳（メタデータ） (2025-10-13T08:00:45Z)
• Reinforcement Learning for Quantum Network Control with Application-Driven Objectives [53.03367590211247]
  動的プログラミングと強化学習は、制御戦略を最適化するための有望なツールを提供する。 非線形で微分可能な目的関数を直接最適化する新しいRLフレームワークを提案する。 我々の研究は、RLを持つ量子ネットワークにおける非線形目的関数最適化への第一歩であり、より高度なユースケースへの道を開く。
  論文  参考訳（メタデータ） (2025-09-12T18:41:10Z)
• SFATTI: Spiking FPGA Accelerator for Temporal Task-driven Inference -- A Case Study on MNIST [39.79758414095764]
  スパイキングニューラルネットワーク(SNN)は、イベント駆動で時間的に疎らな性質のため、有望である。 本稿では,オープンソースのSpikeer+フレームワークを用いて手書き文字認識のための最適化SNNアクセラレータを生成する。
  論文  参考訳（メタデータ） (2025-07-04T08:22:13Z)
• Learning Load Balancing with GNN in MPTCP-Enabled Heterogeneous Networks [13.90387346843845]
  本稿では,MP TCP 対応 HetNet の LB 問題に対処するグラフニューラルネットワーク (GNN) モデルを提案する。 従来のディープニューラルネットワーク(DNN)と比較して、提案したGNNベースのモデルには2つの重要な長所がある。
  論文  参考訳（メタデータ） (2024-10-22T15:49:53Z)
• SPARQ: Efficient Entanglement Distribution and Routing in Space-Air-Ground Quantum Networks [50.91365514137301]
  宇宙空間量子(SPARQ)ネットワークは、シームレスなオンデマンドの絡み合い分布を提供する手段として開発された。 SPARQの複数のグラフ上でディープQネットワーク(DQN)を用いて深層強化学習フレームワークを提案し,訓練した。 通信相手間の絡み合いを確立するために,サードパーティの絡み合い分散政策を提案する。
  論文  参考訳（メタデータ） (2024-09-19T16:31:37Z)
• Machine-Learning Insights into the Entanglement-trainability Correlation of Parameterized Quantum Circuits [17.975555487972166]
  変分量子アルゴリズム(VQA)は、現在のノイズの多い中間スケールデバイスで量子優位を得るための主要な戦略として登場した。 バレンプラトー(BP)現象の主な原因として、その絡み合い-運動性相関は、それらの応用に挑戦する。 本稿では,パラメータ化量子回路(PQC)のゲート・ツー・テンソル(GTT)符号化法を提案する。 2つの長期記憶ネットワーク(L-Gネットワーク)は、絡み合いとトレーニング可能性の両方を予測するために訓練されている。
  論文  参考訳（メタデータ） (2024-06-04T06:28:05Z)
• Are GATs Out of Balance? [73.2500577189791]
  本稿では,ノード近傍のアグリゲーションをパラメータ化注意係数で重み付けするグラフ注意ネットワーク(GAT)について検討する。 我々の主定理は、注意機構を持つ正の同次モデルの学習力学を研究するための足掛かりとなる。
  論文  参考訳（メタデータ） (2023-10-11T06:53:05Z)
• Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural Networks [52.566735716983956]
  本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。 LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。 提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-07-18T14:23:31Z)
• Optimizing Memory Placement using Evolutionary Graph Reinforcement Learning [56.83172249278467]
  大規模検索空間を対象とした進化グラフ強化学習(EGRL)を提案する。 我々は、推論のために、Intel NNP-Iチップ上で、我々のアプローチを直接訓練し、検証する。 また,NNP-Iコンパイラと比較して28～78%の高速化を実現している。
  論文  参考訳（メタデータ） (2020-07-14T18:50:12Z)

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。