論文の概要: Column Generation for the Optimization of Switching in Repeaterless Quantum Networks

• arxiv url: http://arxiv.org/abs/2604.20338v1
• Date: Wed, 22 Apr 2026 08:33:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:11.046839
• Title: Column Generation for the Optimization of Switching in Repeaterless Quantum Networks
• Title（参考訳）: 繰り返し量子ネットワークにおけるスイッチング最適化のためのカラム生成
• Authors: Álvaro Troyano Olivas, Andrés Agustí Casado, Hans H. Brunner, Chi-Hang Fred Fung, Momtchil Peev, Laura Ortiz, Vicente Martin,
• Abstract要約: 我々は、リピータレス量子ネットワークの物理構造と論理構造をモデル化するための新しいグラフ定式化を導入する。 この方法では,ネットワーク構成の指数的な数に拘わらず,スケーラブルな計算が可能となる。
• 参考スコア（独自算出の注目度）: 0.026059379504241153
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Efficient resource allocation and optical switching promise high key rates, network adaptability, and cost reduction in repeaterless quantum communication networks. However, identifying optimal switching configurations remains a significant challenge due to the combinatorial complexity. We introduce a novel graph formulation to model the physical and logical structure of repeaterless quantum networks, enabling the systematic optimization of switching strategies. The problem is posed as a linear program and solved using a column generation approach. This method enables scalable computation despite the exponential number of possible network configurations. Our results not only provide a formal foundation but also a practical algorithm for the optimization of switching. Empirical tests confirm the solver's scalability with network size, demonstrating the framework's effectiveness and laying the groundwork for future optimization of quantum network control.
• Abstract（参考訳）: 効率的なリソース割り当てと光スイッチングにより、リピータレス量子通信ネットワークにおける高い鍵レート、ネットワーク適応性、コスト削減が期待できる。 しかしながら、最適なスイッチング構成を特定することは、組合せの複雑さのために大きな課題である。 我々は、リピータレス量子ネットワークの物理構造と論理構造をモデル化するための新しいグラフ定式化を導入し、スイッチング戦略の体系的最適化を可能にする。 この問題は線形プログラムとして提案され、列生成手法を用いて解決される。 この方法では,ネットワーク構成の指数的な数に拘わらず,スケーラブルな計算が可能となる。 この結果は,形式的な基礎を提供するだけでなく,スイッチングの最適化のための実用的なアルゴリズムも提供する。 実験的なテストでは、ネットワークサイズによるソルバのスケーラビリティを確認し、フレームワークの有効性を実証し、将来の量子ネットワーク制御の最適化の基礎となる。

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)
• Swap Network Augmented Ansätze on Arbitrary Connectivity [0.0]
  任意の接続グラフに対してキュービットルーティングを最適化するアルゴリズムを導入し、任意のキュービット間の直接通信を可能にするスワップネットワークを実現する。 次に、導出スワップネットワークを層状で接続性に配慮したアンセットに埋め込むことにより、回路層とキュービットルーティングの共設計を提案する。 この構造は、アンザッツの訓練性を大幅に改善し、資源の削減による性能の向上につながった。
  論文  参考訳（メタデータ） (2025-07-31T15:56:28Z)
• Resource-Efficient Compilation of Distributed Quantum Circuits for Solving Large-Scale Wireless Communication Network Problems [10.434368470402935]
  無線センサネットワーク(WSN)におけるルーティングの最適化は、消費電力を最小化し、ネットワーク寿命を延ばすために重要である。 本稿では,大規模なWSNルーティング問題に対処するための分散量子回路の資源効率コンパイル手法を提案する。
  論文  参考訳（メタデータ） (2025-01-17T15:10:22Z)
• Complexity-Aware Training of Deep Neural Networks for Optimal Structure Discovery [0.0]
  本稿では、トレーニング中に、トレーニング済みのネットワークを適用せずに機能するディープニューラルネットワークのユニット・レイヤ・プルーニングとレイヤ・プルーニングを組み合わせた新しいアルゴリズムを提案する。 本アルゴリズムは, 学習精度とプルーニングレベルを最適に交換し, ユニットプルーニングと計算量とパラメータ複雑性のバランスをとる。 提案アルゴリズムは,ネットワークに対応する最適化問題の解に収束することを示す。
  論文  参考訳（メタデータ） (2024-11-14T02:00:22Z)
• Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
  エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。 ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。 提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
  論文  参考訳（メタデータ） (2023-10-10T00:21:10Z)
• Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna Tuning [60.94661435297309]
  モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。 本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。 シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
  論文  参考訳（メタデータ） (2023-01-20T17:06:34Z)
• Edge Rewiring Goes Neural: Boosting Network Resilience via Policy Gradient [62.660451283548724]
  ResiNetは、さまざまな災害や攻撃に対する回復力のあるネットワークトポロジを発見するための強化学習フレームワークである。 ResiNetは複数のグラフに対してほぼ最適のレジリエンス向上を実現し,ユーティリティのバランスを保ちながら,既存のアプローチに比べて大きなマージンを持つことを示す。
  論文  参考訳（メタデータ） (2021-10-18T06:14:28Z)
• Entanglement Rate Optimization in Heterogeneous Quantum Communication Networks [79.8886946157912]
  量子通信ネットワークは、将来6G以降の通信ネットワークにおいて重要な構成要素となる可能性のある、有望な技術として登場しつつある。 近年の進歩は、実際の量子ハードウェアによる小規模および大規模量子通信ネットワークの展開に繋がった。 量子ネットワークにおいて、絡み合いは異なるノード間でのデータ転送を可能にする鍵となるリソースである。
  論文  参考訳（メタデータ） (2021-05-30T11:34:23Z)
• Data-Driven Random Access Optimization in Multi-Cell IoT Networks with NOMA [78.60275748518589]
  非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。 本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。 ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
  論文  参考訳（メタデータ） (2021-01-02T15:21:08Z)

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。