論文の概要: Path-Based Quantum Meta-Learning for Adaptive Optimization of Reconfigurable Intelligent Surfaces

• arxiv url: http://arxiv.org/abs/2604.17690v1
• Date: Mon, 20 Apr 2026 01:10:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.638828
• Title: Path-Based Quantum Meta-Learning for Adaptive Optimization of Reconfigurable Intelligent Surfaces
• Title（参考訳）: 経路ベース量子メタラーニングによる再構成可能なインテリジェント表面の適応最適化
• Authors: Noha Hassan, Xavier Fernando, Halim Yanikomeroglu,
• Abstract要約: 本稿では、歴史的成功、エネルギーコスト、現在のデータレートに基づいて、特定の量子パスを切り替える階層型多目的量子メタラーニングアルゴリズムを提案する。 その結果, スペクトル効率, 収束率, 適応性が向上した。
• 参考スコア（独自算出の注目度）: 16.276568966263262
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconfigurable intelligent surfaces (RISs) modify signal reflections to enhance wireless communication capabilities. Classical RIS phase optimization is highly non convex and challenging in dynamic environments due to high interference and user mobility. Here we propose a hierarchical multi-objective quantum metalearning algorithm that switches among specific quantum paths based on historical success, energy cost, and current data rate. Candidate RIS control directions are arranged as switch paths between quantum neural network layers to minimize inference, and a scoring mechanism selects the top performing paths per layer. Instead of merely storing past successful settings of the RIS and picking the closest match when a new problem is encountered, the algorithm learns how to select and recombine the best parts of different solutions to solve new scenarios. In our model, high-dimensional RIS scenario features are compressed into a quantum state using the tensor product, then superimposed during quantum path selection, significantly improving quantum computational advantage. Results demonstrate efficient performance with enhanced spectral efficiency, convergence rate, and adaptability.
• Abstract（参考訳）: 再構成可能なインテリジェントサーフェス(RIS)は、無線通信能力を高めるために信号反射を変更する。 古典的なRIS位相最適化は、高い干渉とユーザ移動性のため、動的環境において非常に非凸であり、困難である。 本稿では、歴史的成功、エネルギーコスト、現在のデータレートに基づいて、特定の量子パスを切り替える階層型多目的量子メタラーニングアルゴリズムを提案する。 候補RIS制御方向は、推論を最小限に抑えるために量子ニューラルネットワーク層間のスイッチパスとして配置され、スコアリング機構は層ごとのトップ実行パスを選択する。 RISの過去の設定を保存し、新しい問題が発生したときに最も近いマッチングを選択する代わりに、アルゴリズムは、新しいシナリオを解決するために、異なるソリューションの最良の部分を選択および再結合する方法を学ぶ。 本モデルでは,高次元RISシナリオの特徴をテンソル積を用いて量子状態に圧縮し,量子経路選択時に重畳し,量子計算の優位性を著しく向上させる。 その結果, スペクトル効率, 収束率, 適応性が向上した。

関連論文リスト

• Reinforcement Learning for Quantum Network Control with Application-Driven Objectives [53.03367590211247]
  動的プログラミングと強化学習は、制御戦略を最適化するための有望なツールを提供する。 非線形で微分可能な目的関数を直接最適化する新しいRLフレームワークを提案する。 我々の研究は、RLを持つ量子ネットワークにおける非線形目的関数最適化への第一歩であり、より高度なユースケースへの道を開く。
  論文  参考訳（メタデータ） (2025-09-12T18:41:10Z)
• Hybrid Reward-Driven Reinforcement Learning for Efficient Quantum Circuit Synthesis [0.0]
  量子回路の効率的な合成のための強化学習フレームワークが導入された。 このフレームワークは、ターゲット状態に向かってエージェントを誘導する静的なドメインインフォームド報酬と、カスタマイズ可能な動的ペナルティを組み合わせたものだ。 最大7キュービットのグラフ状態準備タスクのベンチマークを行い、アルゴリズムが最小深度回路を常に発見できることを実証した。
  論文  参考訳（メタデータ） (2025-07-22T14:39:20Z)
• Provably Robust Training of Quantum Circuit Classifiers Against Parameter Noise [49.97673761305336]
  ノイズは、信頼できる量子アルゴリズムを達成するための大きな障害である。 本稿では,パラメータ化量子回路分類器のロバスト性を高めるための雑音耐性学習理論とアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-05-24T02:51:34Z)
• Learning to Learn with Quantum Optimization via Quantum Neural Networks [1.7819574476785418]
  量子ニューラルネットワーク,特にQuantum Long Short-Term Memory(QLSTM)を組み合わせた量子メタ学習フレームワークを導入する。 我々のアプローチは、より大きくより複雑な問題に急速に一般化し、収束に必要なイテレーションの数を大幅に減らします。
  論文  参考訳（メタデータ） (2025-05-01T14:39:26Z)
• Bayesian Parameterized Quantum Circuit Optimization (BPQCO): A task and hardware-dependent approach [49.89480853499917]
  変分量子アルゴリズム(VQA)は、最適化と機械学習問題を解決するための有望な量子代替手段として登場した。 本稿では,回路設計が2つの分類問題に対して得られる性能に与える影響を実験的に示す。 また、実量子コンピュータのシミュレーションにおいて、ノイズの存在下で得られた回路の劣化について検討する。
  論文  参考訳（メタデータ） (2024-04-17T11:00:12Z)
• Quantum-Informed Recursive Optimization Algorithms [0.0]
  最適化問題に対する量子インフォームド再帰最適化(QIRO)アルゴリズムのファミリを提案し,実装する。 提案手法は、量子資源を利用して、問題固有の古典的還元ステップで使用される情報を得る。 バックトラック技術を用いて、量子ハードウェアの要求を増大させることなく、アルゴリズムの性能をさらに向上させる。
  論文  参考訳（メタデータ） (2023-08-25T18:02:06Z)
• Active RIS-aided EH-NOMA Networks: A Deep Reinforcement Learning Approach [66.53364438507208]
  アクティブな再構成可能なインテリジェントサーフェス(RIS)支援マルチユーザダウンリンク通信システムについて検討した。 非直交多重アクセス(NOMA)はスペクトル効率を向上させるために使用され、活性RISはエネルギー回収(EH)によって駆動される。 ユーザの動的通信状態を予測するために,高度なLSTMベースのアルゴリズムを開発した。 増幅行列と位相シフト行列RISを結合制御するためにDDPGに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-11T13:16:28Z)
• Phase Shift Design in RIS Empowered Wireless Networks: From Optimization to AI-Based Methods [83.98961686408171]
  再構成可能なインテリジェントサーフェス(RIS)は、無線ネットワークのための無線伝搬環境をカスタマイズする革命的な機能を持つ。 無線システムにおけるRISの利点を完全に活用するには、反射素子の位相を従来の通信資源と共同で設計する必要がある。 本稿では、RISが課す制約を扱うための現在の最適化手法と人工知能に基づく手法についてレビューする。
  論文  参考訳（メタデータ） (2022-04-28T09:26:14Z)
• Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
  Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。 我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。 すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
  論文  参考訳（メタデータ） (2020-10-01T18:14:11Z)

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。