論文の概要: QAISim: A Toolkit for Modeling and Simulation of AI in Quantum Cloud Computing Environments

• arxiv url: http://arxiv.org/abs/2512.17918v1
• Date: Mon, 01 Dec 2025 16:14:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-29 00:37:57.049192
• Title: QAISim: A Toolkit for Modeling and Simulation of AI in Quantum Cloud Computing Environments
• Title（参考訳）: QAISim: 量子クラウドコンピューティング環境におけるAIのモデリングとシミュレーションのためのツールキット
• Authors: Irwindeep Singh, Sukhpal Singh Gill, Jinzhao Sun, Jan Mol,
• Abstract要約: 本稿では、量子人工知能(QAI)モデルのシミュレーションとモデリングのための、QAISimと呼ばれるピソンベースのツールキットを提案する。 我々は、強化学習のためのポリシー勾配とディープQラーニングアルゴリズムをシミュレートした。
• 参考スコア（独自算出の注目度）: 0.9155342779211822
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum computing offers new ways to explore the theory of computation via the laws of quantum mechanics. Due to the rising demand for quantum computing resources, there is growing interest in developing cloud-based quantum resource sharing platforms that enable researchers to test and execute their algorithms on real quantum hardware. These cloud-based systems face a fundamental challenge in efficiently allocating quantum hardware resources to fulfill the growing computational demand of modern Internet of Things (IoT) applications. So far, attempts have been made in order to make efficient resource allocation, ranging from heuristic-based solutions to machine learning. In this work, we employ quantum reinforcement learning based on parameterized quantum circuits to address the resource allocation problem to support large IoT networks. We propose a python-based toolkit called QAISim for the simulation and modeling of Quantum Artificial Intelligence (QAI) models for designing resource management policies in quantum cloud environments. We have simulated policy gradient and Deep Q-Learning algorithms for reinforcement learning. QAISim exhibits a substantial reduction in model complexity compared to its classical counterparts with fewer trainable variables.
• Abstract（参考訳）: 量子コンピューティングは、量子力学の法則を通して計算理論を探求する新しい方法を提供する。 量子コンピューティングリソースの需要が高まっているため、研究者が実際の量子ハードウェア上でアルゴリズムのテストと実行を可能にするクラウドベースの量子リソース共有プラットフォームの開発への関心が高まっている。 これらのクラウドベースのシステムは、現代のモノのインターネット(IoT)アプリケーションの増大する計算需要を満たすために、量子ハードウェアリソースを効率的に割り当てる上で、根本的な課題に直面しています。 これまでのところ、ヒューリスティックベースのソリューションから機械学習まで、効率的なリソース割り当てのための試みが行われてきた。 本研究では、パラメータ化量子回路に基づく量子強化学習を用いて、大規模なIoTネットワークをサポートするリソース割り当て問題に対処する。 本稿では,量子クラウド環境における資源管理ポリシを設計するための量子人工知能(QAI)モデルのシミュレーションとモデリングのための,QAISimと呼ばれるピソンベースのツールキットを提案する。 我々は、強化学習のためのポリシー勾配とディープQラーニングアルゴリズムをシミュレートした。 QAISimは、トレーニング可能な変数が少ない古典的な変数に比べて、モデルの複雑さが大幅に減少している。

関連論文リスト

• Quantum-enhanced Computer Vision: Going Beyond Classical Algorithms [50.573955644831386]
  QeCV(Quantum-enhanced Computer Vision)は、コンピュータビジョン、機械学習、量子コンピューティングの交差点における新しい研究分野である。 量子コンピューティングの助けを借りて、視覚信号の処理や解釈の仕方を変える可能性が高い。 本調査はQeCVに関する既存の文献に貢献し,本研究分野の総合的なレビューを行った。
  論文  参考訳（メタデータ） (2025-10-08T17:59:51Z)
• Quantum Resource Management in the NISQ Era: Challenges, Vision, and a Runtime Framework [41.99844472131922]
  我々は,実行時対応の量子ソフトウェア開発のためのビジョンを提案し,その実現に向けた重要な課題を特定する。 本稿では,動的リソース評価に基づく量子プログラムの条件付き実行を可能にするプロトタイプフレームワークであるQonsciousを紹介する。
  論文  参考訳（メタデータ） (2025-08-23T15:34:12Z)
• RhoDARTS: Differentiable Quantum Architecture Search with Density Matrix Simulations [44.13836547616739]
  変分量子アルゴリズム(VQA)は、ノイズ中間スケール量子(NISQ)コンピュータを活用するための有望なアプローチである。 与えられたVQA問題を効率的に解く最適な量子回路を選択することは、非自明な作業である。 量子アーキテクチャ探索(QAS)アルゴリズムは、与えられた問題に合わせた量子回路の自動生成を可能にする。
  論文  参考訳（メタデータ） (2025-06-04T08:30:35Z)
• Q-Fusion: Diffusing Quantum Circuits [2.348041867134616]
  本稿では、新しい量子回路を生成するためにLayerDAGフレームワークを利用する拡散型アルゴリズムを提案する。 本結果は,提案モデルが100%有効な量子回路出力を連続的に生成することを示す。
  論文  参考訳（メタデータ） (2025-04-29T14:10:10Z)
• QSimPy: A Learning-centric Simulation Framework for Quantum Cloud Resource Management [19.006907700170693]
  クラウド環境における量子リソース管理問題に対する新しい離散イベントシミュレーションフレームワークであるQSimPyを提案する。 QSimPyは、よく知られたPythonベースのシミュレーションエンジンであるSimPyをベースにした軽量なシミュレーション環境を提供する。 量子タスク配置問題に対する強化学習ポリシー開発におけるQSimPyの利用を実証する。
  論文  参考訳（メタデータ） (2024-05-02T05:41:42Z)
• 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)
• The QUATRO Application Suite: Quantum Computing for Models of Human Cognition [49.038807589598285]
  量子コンピューティング研究のための新しい種類のアプリケーション -- 計算認知モデリング -- をアンロックします。 我々は、認知モデルから量子コンピューティングアプリケーションのコレクションであるQUATROをリリースする。
  論文  参考訳（メタデータ） (2023-09-01T17:34:53Z)
• Elastic Entangled Pair and Qubit Resource Management in Quantum Cloud Computing [73.7522199491117]
  量子クラウドコンピューティング(QCC)は、量子コンピューティングリソースを効率的に提供するための有望なアプローチを提供する。 ユーザ需要の変動と量子回路の要求は、効率的なリソース供給のために困難である。 本稿では、量子コンピューティングとネットワークリソースのプロビジョニングのためのリソース割り当てモデルを提案する。
  論文  参考訳（メタデータ） (2023-07-25T00:38:46Z)
• iQuantum: A Case for Modeling and Simulation of Quantum Computing Environments [22.068803245816266]
  iQuantumは、ハイブリッド量子古典計算環境をモデル化できる第一種シミュレーションツールキットである。 本稿では,量子コンピューティングシステムモデル,アーキテクチャ設計,概念実証実装,潜在的なユースケース,今後のiQuantumの開発について述べる。
  論文  参考訳（メタデータ） (2023-03-28T04:51:32Z)
• TeD-Q: a tensor network enhanced distributed hybrid quantum machine learning framework [48.491303218786044]
  TeD-Qは、量子機械学習のためのオープンソースのソフトウェアフレームワークである。 古典的な機械学習ライブラリと量子シミュレータをシームレスに統合する。 量子回路とトレーニングの進捗をリアルタイムで視覚化できるグラフィカルモードを提供する。
  論文  参考訳（メタデータ） (2023-01-13T09:35:05Z)
• QKSA: Quantum Knowledge Seeking Agent -- resource-optimized reinforcement learning using quantum process tomography [1.3946983517871423]
  汎用人工知能の汎用強化学習(URL)エージェントモデルを量子環境に拡張する。 古典的な知識探索エージェントKL-KSAの効用関数は、量子情報理論からの距離測定に一般化される。 QKSAは、古典的なURLモデルに似たフレームワークの最初の提案である。
  論文  参考訳（メタデータ） (2021-12-07T11:36:54Z)

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。