論文の概要: Quantum Inspired Vehicular Network Optimization for Intelligent Decision Making in Smart Cities

• arxiv url: http://arxiv.org/abs/2603.24971v1
• Date: Thu, 26 Mar 2026 03:04:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.068863
• Title: Quantum Inspired Vehicular Network Optimization for Intelligent Decision Making in Smart Cities
• Title（参考訳）: スマートシティにおけるインテリジェント意思決定のための量子インスピレーションによるベクトルネットワーク最適化
• Authors: Kamran Ahmad Awan, Sonia Khan, Eman Abdullah Aldakheel, Saif Al-Kuwari, Ahmed Farouk,
• Abstract要約: 本稿では、車間通信(V2V)と車間通信(V2I)を協調的に最適化する量子インスパイアされたフレームワークQIVNOMを提案する。 その結果、QIVNOMは平均エンドツーエンドのレイテンシを57.3msに減らし、最高のベースラインよりも約20%低くした。
• 参考スコア（独自算出の注目度）: 2.449235776276883
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Connected and automated vehicles require city-scale coordination under strict latency and reliability constraints. However, many existing approaches optimize communication and mobility separately, which can degrade performance during network outages and under compute contention. This paper presents QIVNOM, a quantum-inspired framework that jointly optimizes vehicle-to-vehicle (V2V) and vehicle-to-infrastructure (V2I) communication together with urban traffic control on classical edge--cloud hardware, without requiring a quantum processor. QIVNOM encodes candidate routing--signal plans as probabilistic superpositions and updates them using sphere-projected gradients with annealed sampling to minimize a regularized objective. An entanglement-style regularizer couples networking and mobility decisions, while Tchebycheff multi-objective scalarization with feasibility projection enforces constraints on latency and reliability. The proposed framework is evaluated in METR-LA--calibrated SUMO--OMNeT++/Veins simulations over a $5\times5$~km urban map with IEEE 802.11p and 5G NR sidelink. Results show that QIVNOM reduces mean end-to-end latency to 57.3~ms, approximately $20\%$ lower than the best baseline. Under incident conditions, latency decreases from 79~ms to 62~ms ($-21.5\%$), while under roadside unit (RSU) outages, it decreases from 86~ms to 67~ms ($-22.1\%$). Packet delivery reaches $96.7\%$ (an improvement of $+2.3$ percentage points), and reliability remains $96.7\%$ overall, including $96.8\%$ under RSU outages versus $94.1\%$ for the baseline. In corridor-closure scenarios, travel performance also improves, with average travel time reduced to 12.8~min and congestion lowered to $33\%$, compared with 14.5~min and $37\%$ for the baseline.
• Abstract（参考訳）: 接続された自動車両は、厳格なレイテンシと信頼性の制約の下で都市規模の調整を必要とする。 しかし、既存の多くのアプローチは、通信とモビリティを個別に最適化し、ネットワークの停止時と計算競合時の性能を劣化させることができる。 本稿では、従来のエッジクラウドハードウェア上での都市交通制御とともに、車両間通信(V2V)と車両間通信(V2I)を協調的に最適化する量子化フレームワークであるQIVNOMについて述べる。 絡み合いスタイルの正規化器はネットワークとモビリティの決定を結合し、Tchebycheffは実現可能性プロジェクションによる多目的スキャラライゼーションによってレイテンシと信頼性の制約を強制する。 提案手法は, IEEE 802.11p と 5G NR のサイドリンクを用いて, METR-LA を校正した SUMO--OMNeT++/Veins シミュレーションにより評価した。 その結果、QIVNOMは平均エンドツーエンドのレイテンシを57.3～msに減らし、最高のベースラインよりも約20\%低い値となった。 インシデント条件下では、レイテンシは79~msから62~ms(-21.5\%$)に低下し、一方、ロードサイドユニット(RSU)のダウンでは86~msから67~ms(-22.1\%$)に低下する。 パケットの配送は$96.7\%($+2.3$%の改善)に達し、信頼性は総じて$96.7\%であり、RASの停止下では$96.8\%、ベースラインでは$94.1\%である。 回廊閉鎖のシナリオでは、平均走行時間は12.8〜分に短縮され、渋滞は14.5〜分と37〜%に低下する。

関連論文リスト

• TinyML Enhances CubeSat Mission Capabilities [8.462623779881566]
  本稿では,画像分類のための畳み込みニューラルネットワーク(ConvNets)モデル最適化と配置パイプラインを提案する。 我々のパイプラインは、構造化された反復プルーニング、後のINT8量子化、および圧縮モデルへのハードウェア対応オペレータマッピングを統合している。 最適化されたモデルでは、RAM使用率89.55%、フラッシュメモリ709%の平均的な削減が示されている。
  論文  参考訳（メタデータ） (2026-03-20T17:51:07Z)
• Time Is All It Takes: Spike-Retiming Attacks on Event-Driven Spiking Neural Networks [87.16809558673403]
  スパイキングニューラルネットワーク(SNN)は離散スパイクで計算し、時間構造を利用する。 イベント駆動SNNにおけるスパイク数と振幅を保存しながら、既存のスパイクを繰り返すタイミングのみの敵について検討する。
  論文  参考訳（メタデータ） (2026-02-03T09:06:53Z)
• Scalable Transit Delay Prediction at City Scale: A Systematic Approach with Multi-Resolution Feature Engineering and Deep Learning [1.065661841579261]
  既存の遅延予測システムは、手作りの機能に依存し、再利用可能なアーキテクチャを設計する方法についてはほとんどガイダンスを提供していない。 本稿では,マルチレゾリューション機能工学,次元減少,深層学習を組み合わせた都市規模の予測パイプラインを提案する。 クラスタ認識機能を備えたグローバルLSTMは、精度と効率の最良のトレードオフを実現し、トランスフォーマーモデルを1852%から52%向上させる。
  論文  参考訳（メタデータ） (2026-01-26T14:30:50Z)
• Noise-Adaptive Quantum Circuit Mapping for Multi-Chip NISQ Systems via Deep Reinforcement Learning [0.0]
  本稿では,双方向長短期記憶に基づく動的雑音適応ネットワークを統合した深層強化学習フレームワークDeepQMapを提案する。 本手法は,量子系の動作の時間的表現を学習することで,ハードウェアのダイナミクスに継続的に適応する。 DeepQMapは平均回路忠実度が0.920 pm 0.023$であり、最先端のQUBO法よりも統計的に49.3%向上している。
  論文  参考訳（メタデータ） (2025-11-22T14:27:55Z)
• Research on Expressway Congestion Warning Technology Based on YOLOv11-DIoU and GRU-Attention [0.0]
  既存の「検出予測」システムには重大な欠陥がある。 交通流の認識には、2つのベースラインアルゴリズムが最適化された。 DeepSortは4つのIDスイッチで93.8%のMOTA(11.3%)に達した。 渋滞警告のために、渋滞前駆体を捕捉するGRU-Attentionモデルが構築された。
  論文  参考訳（メタデータ） (2025-09-15T13:35:43Z)
• 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)
• Reconfigurable Intelligent Surface (RIS)-Assisted Entanglement Distribution in FSO Quantum Networks [62.87033427172205]
  自由空間光(FSO)量子チャネルに依存する量子ネットワーク(QN)は、光ファイバー基盤の確立が困難でコストがかかる環境における量子アプリケーションをサポートすることができる。 エンタングルメント分布のための仮想視線を提供する費用効率の高いフレームワークとして,再構成可能なインテリジェントサーフェス(RIS)を用いたFSOベースのQNを提案する。
  論文  参考訳（メタデータ） (2024-01-19T17:16:40Z)
• Adaptive Federated Pruning in Hierarchical Wireless Networks [69.6417645730093]
  Federated Learning(FL)は、サーバがプライベートデータセットにアクセスすることなく、複数のデバイスによって更新されたモデルを集約する、プライバシ保護の分散学習フレームワークである。 本稿では,無線ネットワークにおけるHFLのモデルプルーニングを導入し,ニューラルネットワークの規模を小さくする。 提案するHFLは,モデルプルーニングを伴わないHFLと比較して学習精度が良く,通信コストが約50%削減できることを示す。
  論文  参考訳（メタデータ） (2023-05-15T22:04:49Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)

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。