論文の概要: RELiQ: Scalable Entanglement Routing via Reinforcement Learning in Quantum Networks

• arxiv url: http://arxiv.org/abs/2511.22321v1
• Date: Thu, 27 Nov 2025 10:52:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.52295
• Title: RELiQ: Scalable Entanglement Routing via Reinforcement Learning in Quantum Networks
• Title（参考訳）: RELiQ: 量子ネットワークにおける強化学習によるスケーラブルな絡み合いルーティング
• Authors: Tobias Meuser, Jannis Weil, Aninda Lahiri, Marius Paraschiv,
• Abstract要約: エンタングルメントルーティングに対する強化学習に基づくアプローチであるRELiQを提案する。 トポロジ変化に対する応答が速いため,本手法は類似あるいは優れた性能を発揮する。
• 参考スコア（独自算出の注目度）: 0.41998444721319217
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum networks are becoming increasingly important because of advancements in quantum computing and quantum sensing, such as recent developments in distributed quantum computing and federated quantum machine learning. Routing entanglement in quantum networks poses several fundamental as well as technical challenges, including the high dynamicity of quantum network links and the probabilistic nature of quantum operations. Consequently, designing hand-crafted heuristics is difficult and often leads to suboptimal performance, especially if global network topology information is unavailable. In this paper, we propose RELiQ, a reinforcement learning-based approach to entanglement routing that only relies on local information and iterative message exchange. Utilizing a graph neural network, RELiQ learns graph representations and avoids overfitting to specific network topologies - a prevalent issue for learning-based approaches. Our approach, trained on random graphs, consistently outperforms existing local information heuristics and learning-based approaches when applied to random and real-world topologies. When compared to global information heuristics, our method achieves similar or superior performance because of its rapid response to topology changes.
• Abstract（参考訳）: 量子コンピューティングや量子センシングの進歩により、分散量子コンピューティングやフェデレートされた量子機械学習など、量子ネットワークの重要性が高まっている。 量子ネットワークにおけるルーティングの絡み合いは、量子ネットワークリンクの高ダイナミック性や量子演算の確率的性質など、いくつかの基礎的および技術的な課題を引き起こす。 その結果、手作りのヒューリスティックスの設計は困難であり、特にグローバルネットワークトポロジ情報が利用できない場合、しばしば準最適性能をもたらす。 本稿では、局所的な情報と反復的なメッセージ交換のみに依存するエンタングルメントルーティングに対する強化学習に基づくアプローチであるRELiQを提案する。 グラフニューラルネットワークを利用することで、RELiQはグラフ表現を学び、特定のネットワークトポロジへの過度な適合を避ける。 ランダムなグラフに基づいてトレーニングされた我々のアプローチは、ランダムおよび実世界のトポロジに適用した場合、既存のローカル情報ヒューリスティックや学習ベースのアプローチよりも一貫して優れています。 グローバルな情報ヒューリスティックスと比較すると,この手法はトポロジ変化に対する応答が速いため,類似あるいは優れた性能が得られる。

関連論文リスト

• Inferring Quantum Network Topologies using Genetic Optimisation of Indirect Measurements [0.0]
  我々は外部プローブを用いて連続時間量子ウォークの文脈でネットワークトポロジーを推定する。 プローブは励起の減衰チャネルとして機能し、ネットワーク力学の間接的な測定を行うと解釈できる。 本研究では,プローブ数の増加が再構成作業を大幅に単純化し,プローブ数と計算能力とのトレードオフを明らかにした。
  論文  参考訳（メタデータ） (2025-06-12T20:46:41Z)
• Adaptive Entanglement Routing with Deep Q-Networks in Quantum Networks [0.19731444261635428]
  量子インターネットは、グローバル通信の変革の可能性を秘めている。 量子ビットのような重要なリソースの効率的な分配は、永続的で未解決の課題である。 本研究では,新しい強化学習に基づく適応的絡み合いルーティングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-01T20:05:54Z)
• From Graphs to Qubits: A Critical Review of Quantum Graph Neural Networks [56.51893966016221]
  量子グラフニューラルネットワーク(QGNN)は、量子コンピューティングとグラフニューラルネットワーク(GNN)の新たな融合を表す。 本稿では,QGNNの現状を批判的にレビューし,様々なアーキテクチャを探求する。 我々は、高エネルギー物理学、分子化学、ファイナンス、地球科学など多種多様な分野にまたがる応用について論じ、量子的優位性の可能性を強調した。
  論文  参考訳（メタデータ） (2024-08-12T22:53:14Z)
• Generative AI-enabled Quantum Computing Networks and Intelligent Resource Allocation [80.78352800340032]
  量子コンピューティングネットワークは、大規模な生成AI計算タスクと高度な量子アルゴリズムを実行する。 量子コンピューティングネットワークにおける効率的なリソース割り当ては、量子ビットの可変性とネットワークの複雑さのために重要な課題である。 我々は、生成学習から量子機械学習まで、最先端強化学習(RL)アルゴリズムを導入し、最適な量子リソース割り当てを行う。
  論文  参考訳（メタデータ） (2024-01-13T17:16:38Z)
• Entanglement-Assisted Quantum Networks: Mechanics, Enabling Technologies, Challenges, and Research Directions [66.27337498864556]
  本稿では,量子ネットワークの絡み合いに関する包括的調査を行う。 ネットワーク構造、作業原則、開発段階の詳細な概要を提供する。 また、アーキテクチャ設計、絡み合いに基づくネットワーク問題、標準化など、オープンな研究の方向性を強調している。
  論文  参考訳（メタデータ） (2023-07-24T02:48:22Z)
• A Linear Algebraic Framework for Dynamic Scheduling Over Memory-Equipped Quantum Networks [2.5168553347063862]
  この研究は、量子ネットワークを交換する任意の絡み合いにおけるスケジューリングの問題に対処する。 中間絡み合いリンクの生成を通じて量子メモリを利用する線形代数的フレームワークを導入する。 さらに、マックスウェイトにインスパイアされたポリシーのクラスが提案され、ベンチマークされ、わずかな性能劣化の価格で大幅にコストを削減した。
  論文  参考訳（メタデータ） (2023-07-12T08:41:17Z)
• 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)
• Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
  本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。 接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。 この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
  論文  参考訳（メタデータ） (2020-08-19T04:53:31Z)

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。