論文の概要: Quantum-Inspired Reinforcement Learning for Secure and Sustainable AIoT-Driven Supply Chain Systems

• arxiv url: http://arxiv.org/abs/2601.22339v1
• Date: Thu, 29 Jan 2026 21:33:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.081193
• Title: Quantum-Inspired Reinforcement Learning for Secure and Sustainable AIoT-Driven Supply Chain Systems
• Title（参考訳）: セキュアで持続可能なAIoT駆動型サプライチェーンシステムのための量子インスパイアされた強化学習
• Authors: Muhammad Bilal Akram Dastagir, Omer Tariq, Shahid Mumtaz, Saif Al-Kuwari, Ahmed Farouk,
• Abstract要約: この研究は、炭素フットプリント削減、在庫管理、暗号的なセキュリティ対策を統合する量子インスパイアされた強化学習フレームワークを統合する。 シミュレーションでは, 代表的なノイズチャネル下でのスムーズな収束, 耐遅れ性能, 優雅な劣化を示す。 これらの知見は、量子にインスパイアされたAIoTフレームワークが、安全でエコなサプライチェーンを大規模に運用する可能性を強化している。
• 参考スコア（独自算出の注目度）: 28.316261067681555
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Modern supply chains must balance high-speed logistics with environmental impact and security constraints, prompting a surge of interest in AI-enabled Internet of Things (AIoT) solutions for global commerce. However, conventional supply chain optimization models often overlook crucial sustainability goals and cyber vulnerabilities, leaving systems susceptible to both ecological harm and malicious attacks. To tackle these challenges simultaneously, this work integrates a quantum-inspired reinforcement learning framework that unifies carbon footprint reduction, inventory management, and cryptographic-like security measures. We design a quantum-inspired reinforcement learning framework that couples a controllable spin-chain analogy with real-time AIoT signals and optimizes a multi-objective reward unifying fidelity, security, and carbon costs. The approach learns robust policies with stabilized training via value-based and ensemble updates, supported by window-normalized reward components to ensure commensurate scaling. In simulation, the method exhibits smooth convergence, strong late-episode performance, and graceful degradation under representative noise channels, outperforming standard learned and model-based references, highlighting its robust handling of real-time sustainability and risk demands. These findings reinforce the potential for quantum-inspired AIoT frameworks to drive secure, eco-conscious supply chain operations at scale, laying the groundwork for globally connected infrastructures that responsibly meet both consumer and environmental needs.
• Abstract（参考訳）: 現代のサプライチェーンは、高速なロジスティクスと環境への影響とセキュリティの制約のバランスをとる必要があり、グローバルコマースのためのAI対応IoT(Internet of Things)ソリューションへの関心が高まっている。 しかし、従来のサプライチェーン最適化モデルは、しばしば重要な持続可能性目標とサイバー脆弱性を見落とし、生態系の害と悪意のある攻撃の両方に影響を受けやすいままである。 これらの課題に同時に取り組むために、この研究は、炭素フットプリントの削減、在庫管理、暗号的なセキュリティ対策を統合する量子インスパイアされた強化学習フレームワークを統合する。 我々は、リアルタイムのAIoT信号と制御可能なスピンチェーンアナログを結合した量子インスパイアされた強化学習フレームワークを設計し、忠実さ、セキュリティ、炭素コストを統一する多目的報酬を最適化する。 このアプローチは、価値ベースとアンサンブルの更新を通じて安定したトレーニングをすることで堅牢なポリシを学び、ウィンドウ正規化された報酬コンポーネントによってサポートされ、複合的なスケーリングが保証される。 シミュレーションでは, 実時間持続可能性とリスク要求に対する頑健な取扱いが強調され, 円滑な収束, 強大な遅延性能, 代表的なノイズチャネル下での優雅な劣化, 標準学習およびモデルベース参照よりも優れていた。 これらの発見は、量子にインスパイアされたAIoTフレームワークが、安全でエコなサプライチェーンを大規模に運用する可能性を強化し、消費者と環境の両方のニーズに責任を負うグローバルな接続インフラストラクチャの基盤となる。

関連論文リスト

• Resilience Inference for Supply Chains with Hypergraph Neural Network [10.029608878220973]
  サプライチェーンは世界経済の安定に不可欠であるが、混乱は相互接続されたネットワークを通じて伝播し、経済的に重大な影響を及ぼす。 サプライチェーンのレジリエンスの正確かつタイムリーな推論では、破壊時にコア機能を維持する能力は、積極的なリスク軽減と堅牢なネットワーク設計に不可欠である。 既存のアプローチでは、明示的なシステムダイナミクスなしでサプライチェーンのレジリエンスを推測する効果的なメカニズムが欠如しており、サプライチェーンネットワークに固有の高次多元性を表現するのに苦労している。
  論文  参考訳（メタデータ） (2025-11-09T03:34:45Z)
• End-to-End Co-Simulation Testbed for Cybersecurity Research and Development in Intelligent Transportation Systems [5.804791448287085]
  本章では,3次元環境とセンサモデリングのためのCARLA,顕微鏡交通シミュレーションと制御のためのSUMO,V2X通信シミュレーションのためのOMNeT++を結合した複合シミュレーションテストベッドについて論じる。 共同シミュレーションテストベッドは、エンドツーエンドの実験、脆弱性の識別、緩和ベンチマークを可能にする。 この章は、その能力を説明するために、量子後暗号で強化されたC-V2X能動的安全警報システムに関するケーススタディを含む。
  論文  参考訳（メタデータ） (2025-09-20T01:21:54Z)
• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• Optimizing Multi-Tier Supply Chain Ordering with LNN+XGBoost: Mitigating the Bullwhip Effect [0.0]
  本研究では,多層サプライチェーンの順序付け戦略を最適化するハイブリッドLNNとXGBoostモデルを提案する。 LNNの動的特徴抽出とXGBoostのグローバル最適化機能を活用することで、ブルウィップ効果を緩和し、累積収益性を高めることを目指している。
  論文  参考訳（メタデータ） (2025-07-28T23:24:54Z)
• A Systematic Review of Security Vulnerabilities in Smart Home Devices and Mitigation Techniques [0.0]
  この研究は、スマートホームエコシステムにおけるセキュリティの脅威を調査し、それらをネットワーク層、デバイスレベル、およびクラウドベースのAI駆動システムからの脆弱性に分類する。 研究結果は、量子後暗号化とAI駆動の異常検出が組み合わさって、セキュリティを高めるのに非常に効果的であることを示している。
  論文  参考訳（メタデータ） (2025-04-03T00:03:53Z)
• An Analytics-Driven Approach to Enhancing Supply Chain Visibility with Graph Neural Networks and Federated Learning [52.79646338275159]
  本稿では,フェデレートラーニング(FL)とグラフ畳み込みニューラルネットワーク(GCN)を統合して,サプライチェーンの可視性を高める手法を提案する。 FLは、生のデータ交換を必要とせず、情報共有を容易にすることで、国間での協調的なモデルトレーニングを可能にする。 GCNは、知識グラフ内の複雑なリレーショナルパターンをキャプチャするフレームワークを強化し、正確なリンク予測を可能にして、隠れたコネクションを明らかにする。
  論文  参考訳（メタデータ） (2025-03-10T12:15:45Z)
• Towards Robust Stability Prediction in Smart Grids: GAN-based Approach under Data Constraints and Adversarial Challenges [53.2306792009435]
  本稿では,安定したデータのみを用いて,スマートグリッドの不安定性を検出する新しいフレームワークを提案する。 最大98.1%の精度でグリッド安定性を予測でき、98.9%で敵の攻撃を検知できる。 シングルボードコンピュータ上で実装され、7ms以下の平均応答時間でリアルタイムな意思決定を可能にする。
  論文  参考訳（メタデータ） (2025-01-27T20:48:25Z)
• Efficient and Trustworthy Block Propagation for Blockchain-enabled Mobile Embodied AI Networks: A Graph Resfusion Approach [60.80257080226662]
  本稿では,コンソーシアムブロックチェーン対応MEANETのためのグラフ再拡散モデルに基づく信頼性の高いブロック伝搬最適化フレームワークを提案する。 具体的には,信頼クラウドモデルに基づく革新的な信頼計算機構を提案する。 グラフニューラルネットワークと拡散モデルの強みを利用して,最適なブロック伝搬軌跡を効果的かつ適応的に生成するグラフ拡散モデルを開発した。
  論文  参考訳（メタデータ） (2025-01-26T07:47:05Z)
• Digital Twin-Assisted Federated Learning with Blockchain in Multi-tier Computing Systems [67.14406100332671]
  産業用 4.0 システムでは、リソース制約のあるエッジデバイスが頻繁にデータ通信を行う。 本稿では,デジタルツイン (DT) とフェデレーション付きデジタルツイン (FL) 方式を提案する。 提案手法の有効性を数値解析により検証した。
  論文  参考訳（メタデータ） (2024-11-04T17:48:02Z)
• Recursively Feasible Probabilistic Safe Online Learning with Control Barrier Functions [60.26921219698514]
  CBFをベースとした安全クリティカルコントローラのモデル不確実性を考慮した再構成を提案する。 次に、結果の安全制御器のポイントワイズ実現可能性条件を示す。 これらの条件を利用して、イベントトリガーによるオンラインデータ収集戦略を考案する。
  論文  参考訳（メタデータ） (2022-08-23T05:02:09Z)
• Constraints Satisfiability Driven Reinforcement Learning for Autonomous Cyber Defense [7.321728608775741]
  強化学習(RL)の防御政策の最適化と検証を目的とした新しいハイブリッド自律エージェントアーキテクチャを紹介します。 我々は、安全かつ効果的な行動に向けてRL決定を操るために、制約検証(SMT(Satisfiability modulo theory))を用いる。 シミュレーションCPS環境における提案手法の評価は,エージェントが最適方針を迅速に学習し,99%のケースで多種多様な攻撃戦略を破ることを示す。
  論文  参考訳（メタデータ） (2021-04-19T01:08:30Z)

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。