論文の概要: D2D Power Allocation via Quantum Graph Neural Network

• arxiv url: http://arxiv.org/abs/2511.15246v1
• Date: Wed, 19 Nov 2025 09:05:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.710785
• Title: D2D Power Allocation via Quantum Graph Neural Network
• Title（参考訳）: 量子グラフニューラルネットワークによるD2Dパワーアロケーション
• Authors: Tung Giang Le, Xuan Tung Nguyen, Won-Joo Hwang,
• Abstract要約: 量子回路グラフ(PQC)を用いたメッセージパッシングを実現する完全量子グラフニューラルネットワーク(QGNN)を提案する。 我々の量子グラフ畳み込み層(QCLG)は、特徴を量子状態にエンコードし、NISQ互換のユニタリを持つグラフを処理し、測定を通して埋め込みを検索する。 このエンドツーエンドのPQCベースのGNNは、量子加速無線最適化への一歩となる。
• 参考スコア（独自算出の注目度）: 0.8957579200590984
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Increasing wireless network complexity demands scalable resource management. Classical GNNs excel at graph learning but incur high computational costs in large-scale settings. We present a fully quantum Graph Neural Network (QGNN) that implements message passing via Parameterized Quantum Circuits (PQCs). Our Quantum Graph Convolutional Layers (QGCLs) encode features into quantum states, process graphs with NISQ-compatible unitaries, and retrieve embeddings through measurement. Applied to D2D power control for SINR maximization, our QGNN matches classical performance with fewer parameters and inherent parallelism. This end-to-end PQC-based GNN marks a step toward quantum-accelerated wireless optimization.
• Abstract（参考訳）: 無線ネットワークの複雑さの増大は、スケーラブルなリソース管理を必要とする。 古典的なGNNはグラフ学習に優れるが、大規模設定では計算コストが高い。 本稿では、パラメータ化量子回路(PQC)を介してメッセージパッシングを行う完全量子グラフニューラルネットワーク(QGNN)を提案する。 我々の量子グラフ畳み込み層(QGCL)は、特徴を量子状態にエンコードし、NISQ互換のユニタリを持つグラフを処理し、測定を通して埋め込みを検索する。 SINR最大化のためのD2D電力制御に応用して、我々のQGNNは、従来の性能と少ないパラメータと固有の並列性とを一致させる。 このエンドツーエンドのPQCベースのGNNは、量子加速無線最適化への一歩となる。

関連論文リスト

• HaQGNN: Hardware-Aware Quantum Kernel Design Based on Graph Neural Networks [18.080290351942736]
  HaQGNNは、量子デバイストポロジ、ノイズ特性、グラフニューラルネットワーク(GNN)を統合する、ハードウェア対応の量子カーネル設計手法である。 本結果は,短期量子ハードウェア上での実用的な量子カーネル設計を促進するための学習型およびハードウェア対応戦略の可能性を強調した。
  論文  参考訳（メタデータ） (2025-06-26T11:38:54Z)
• QGHNN: A quantum graph Hamiltonian neural network [30.632260870411177]
  グラフニューラルネットワーク(GNN)は、複雑な高次元グラフデータによってもたらされる課題に対処する。 量子ニューラルネットワーク(QNN)は、量子並列性の可能性から、魅力的な代替手段を提供する。 本稿では、ノイズの多い中間規模量子コンピュータ上でのグラフ表現と学習を強化する量子グラフハミルトンニューラルネットワーク(QGHNN)を提案する。
  論文  参考訳（メタデータ） (2025-01-14T10:15:17Z)
• Graph Neural Networks on Quantum Computers [3.8784640343151184]
  グラフニューラルネットワーク(GNN)は、グラフとして表される構造化データを分析するための強力な機械学習モデルである。 本稿では,量子コンピュータ上でGNNを実装するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-27T11:31:08Z)
• 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)
• 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)
• 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)
• Quantum neural networks [0.0]
  この論文は、過去数十年で最もエキサイティングな研究分野である量子コンピューティングと機械学習を組み合わせたものだ。 本稿では、汎用量子計算が可能で、トレーニング中にメモリ要求の少ない散逸型量子ニューラルネットワーク(DQNN)を紹介する。
  論文  参考訳（メタデータ） (2022-05-17T07:47:00Z)
• Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
  グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。 egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。 このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
  論文  参考訳（メタデータ） (2022-01-13T16:35:45Z)
• QTN-VQC: An End-to-End Learning framework for Quantum Neural Networks [71.14713348443465]
  可変量子回路(VQC)上に量子埋め込みを行うためのトレーニング可能な量子テンソルネットワーク(QTN)を導入する。 QTNは、量子埋め込みの生成から出力測定まで、エンドツーエンドのパラメトリックモデルパイプライン、すなわちQTN-VQCを可能にする。 MNISTデータセットに対する我々の実験は、他の量子埋め込み手法に対する量子埋め込みに対するQTNの利点を実証している。
  論文  参考訳（メタデータ） (2021-10-06T14:44:51Z)
• Entangling Quantum Generative Adversarial Networks [53.25397072813582]
  量子生成逆数ネットワーク(量子GAN, EQ-GAN)のための新しいタイプのアーキテクチャを提案する。 EQ-GANはコヒーレントなエラーに対してさらなる堅牢性を示し、Google Sycamore超伝導量子プロセッサで実験的にEQ-GANの有効性を示す。
  論文  参考訳（メタデータ） (2021-04-30T20:38:41Z)

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。