Fugu-MT 論文翻訳(概要): Quantum Key Distribution Beyond Stationary Channels

論文の概要: Quantum Key Distribution Beyond Stationary Channels

arxiv url: http://arxiv.org/abs/2607.17690v1
Date: Mon, 20 Jul 2026 08:38:13 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-21 18:48:37.552203
Title: Quantum Key Distribution Beyond Stationary Channels
Title（参考訳）: 静止チャネルを越えた量子鍵分布
Abstract要約: 我々は,チャネルモデルが正確である場合のシャープネスを保ちながら,モデルミスマッチに頑健な厳密な濃度不等式を導入する。ゆらぎのある衛星QKDの現実的なシミュレーションでは、得られた境界は送信信号の最低要求数を70%以上削減することができる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Quantum key distribution (QKD) over non-stationary channels, such as satellite links, is characterized by short, high-loss, and strongly fluctuating transmission windows that produce sparse detection events. In many QKD protocols, these data must be analyzed using non-IID statistical inequalities, yet existing methods either become loose for small sample sizes or heavily rely on fine-tuning, yielding poor estimates when the optical channel is mis-modeled. Using mixture martingale techniques, we introduce tight concentration inequalities that retain sharpness when the channel model is accurate, while remaining robust to model mismatch. In realistic simulations of satellite QKD with fluctuating loss, the resulting bounds can reduce the minimum required number of transmitted signals by more than $70\%$.
Abstract（参考訳）: 衛星リンクのような非定常チャネル上の量子鍵分布(QKD)は、スパース検出イベントを生成する短く、高損失で、強く変動する送信窓によって特徴づけられる。多くのQKDプロトコルでは、これらのデータは非IIDの統計的不等式を用いて分析されなければならないが、既存の手法は小さなサンプルサイズでは緩くなり、微調整に大きく依存する。混合マーチンゲール法を用いて, 流路モデルが正確である場合のシャープネスを保ちながら, 密集度不等式を導入し, モデルミスマッチに頑健であることを示す。衛星QKDのゆらぎ損失を伴う現実的なシミュレーションでは、得られた境界は送信信号の最低要求数を70 %以上削減することができる。

関連論文リスト

Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
論文参考訳（メタデータ） (2026-08-25T15:07:11Z)
Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善 DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
論文参考訳（メタデータ） (2026-02-03T23:38:05Z)
Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
論文参考訳（メタデータ） (2025-12-01T05:14:25Z)
High-rate self-referenced continuous-variable quantum key distribution over high-loss free-space channel [4.616309024935511]
本稿では,時間変化パラメータの高精度推定のための連続時間モード理論を提案する。高速でセキュアな量子鍵分布を高速な自由空間チャネル上で実証する。我々はまた、現在の機器を用いて、少なくとも10.5kmの範囲にまたがる緩やかな乱気流実験の可能性を確認した。
論文参考訳（メタデータ） (2025-03-13T08:50:37Z)
MPQ-DM: Mixed Precision Quantization for Extremely Low Bit Diffusion Models [37.061975191553]
本稿では,拡散モデルのための混合精度量子化法MPQ-DMを提案する。重み付き外周波による量子化誤差を軽減するために,外周波混合量子化手法を提案する。時間ステップを横断する表現を頑健に学習するために,時間-平滑な関係蒸留方式を構築した。
論文参考訳（メタデータ） (2024-12-16T08:31:55Z)
Residual Channel Boosts Contrastive Learning for Radio Frequency Fingerprint Identification [17.98760668117099]
本稿では、RFFI(Radio Frequency Fingerprint Identification)のための残留チャネルに基づくデータ拡張戦略を提案する。提案手法は,より少ないサンプルと少ない時間で,特徴抽出能力と一般化能力の両方を著しく向上させることを示す。
論文参考訳（メタデータ） (2024-12-12T02:48:20Z)
End-to-End Demonstration for CubeSatellite Quantum Key Distribution [0.0]
小型ナノサテライトを用いた衛星ベースの量子鍵交換の実現可能性について検討する。本稿では,キューブ衛星シナリオを対象としたシステムレベルの量子鍵分布の最初のプロトタイプを示す。
論文参考訳（メタデータ） (2023-12-04T16:25:06Z)
Experimental decoy-state asymmetric measurement-device-independent quantum key distribution over a turbulent high-loss channel [0.0]
Measurement-Device-Independent (MDI) QKDは、信頼できない第三者が測定を行い、すべてのサイドチャネル攻撃を取り除くことを認可する。有限の大きさのデコイ状態MDI QKDの乱流条件下でのキーレート向上を示す。
論文参考訳（メタデータ） (2023-11-07T20:36:33Z)
Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
論文参考訳（メタデータ） (2023-10-01T05:07:17Z)
Q-Diffusion: Quantizing Diffusion Models [52.978047249670276]
ポストトレーニング量子化(PTQ)は、他のタスクに対するゴーツー圧縮法であると考えられている。本稿では,一意なマルチステップパイプラインとモデルアーキテクチャに適した新しいPTQ手法を提案する。提案手法は,完全精度の非条件拡散モデルを同等の性能を維持しつつ4ビットに定量化できることを示す。
論文参考訳（メタデータ） (2023-02-08T19:38:59Z)
Finite resource performance of small satellite-based quantum key distribution missions [36.136619420474766]
有限鍵解析の最近の発展により、3つの小さな衛星ベースのQKDプロジェクトは、非常に高い損失条件下でも秘密鍵を生成できる。我々は、小規模衛星ベースのQKDと量子ネットワークにおける課題と今後の展望について、短期的および長期的視点を強調した。
論文参考訳（メタデータ） (2022-04-26T18:00:03Z)
DAQ: Distribution-Aware Quantization for Deep Image Super-Resolution Networks [49.191062785007006]
画像超解像のための深い畳み込みニューラルネットワークの定量化は、計算コストを大幅に削減する。既存の作業は、4ビット以下の超低精度の厳しい性能低下に苦しむか、または性能を回復するために重い微調整プロセスを必要とします。高精度なトレーニングフリー量子化を実現する新しい分散認識量子化方式(DAQ)を提案する。
論文参考訳（メタデータ） (2020-12-21T10:19:42Z)

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。