論文の概要: Interface Capacity and Architectural Replenishment Determine Entanglement-Generation Speed in Quantum Networks

• arxiv url: http://arxiv.org/abs/2608.19020v1
• Date: Wed, 19 Aug 2026 15:16:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.439567
• Title: Interface Capacity and Architectural Replenishment Determine Entanglement-Generation Speed in Quantum Networks
• Title（参考訳）: 量子ネットワークにおける界面容量と構造的補充決定エンタングル化-生成速度
• Abstract要約: 固定されたネットワークインタフェース上での絡み合い発生速度は2つの異なるリソースによって制御されていることを示す。 インターフェースキャパシティは、どれだけの絡み合うフラックスが利用できるかを定義するが、アーキテクチャは、新しい自由度がインターフェイスを継続的に補充し、そのキャパシティの繰り返し使用を継続できるかどうかを決定する。
• 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: We show that entanglement-generation speed across a fixed network interface is governed by two distinct resources: the entangling capacity of the interface itself and the ability of the surrounding architecture to replenish it with fresh degrees of freedom. For fermionic Gaussian dynamics, we derive the coefficient-sharp bound $\sum_k|\dotθ_k|\leq\frac12\|K_{AB}\|_*$ on the collective speed of the canonical entanglement angles. Explicit Ising-chain rematching trajectories saturate this bound, thereby certifying exact minimum interaction times under the stated control model. Beyond the Gaussian setting, exhaustive optimization of the complete $N=8$ tree--tree family shows that, at fixed interface capacity, first-layer entanglement, connectedness, and edge budget, the saturation depth is exactly classified by rooted architecture. With higher-resolution $x$-only control, variational entanglement-enhancing-field (VEEF) optimization reaches the numerically resolved fast-$X$ optimum in a two-channel benchmark. Across all 21 symmetry-reduced rooted orbits, a pre-specified two-time VEEF growth diagnostic recovers the complete replenishment partition directly from optimized dynamics. Interface capacity therefore sets how much entangling flux is available, whereas architecture determines whether fresh degrees of freedom can continually replenish the interface and sustain repeated use of that capacity.
• Abstract（参考訳）: 固定されたネットワークインターフェース間の絡み合い発生速度は、インターフェース自体の絡み合い能力と、周囲のアーキテクチャがそれを新鮮な自由度で補う能力の2つの異なるリソースによって制御されていることを示す。 フェルミオンガウス力学では、標準エンタングルメント角の集合速度で係数-シャープ境界 $\sum_k|\dotθ_k|\leq\frac12\|K_{AB}\|_*$ を導出する。 明示的なIsing-chain再マッチングトラジェクトリは、この境界を飽和させ、従って、記述された制御モデルの下で、正確な最小の相互作用時間を認証する。 ガウス的な設定の他に、完全な$N=8$ツリーファミリーの徹底的な最適化は、固定インターフェース容量、第一層エンタングルメント、接続性、エッジ予算において、飽和深さがルートアーキテクチャによって正確に分類されていることを示している。 高解像度の$x$のみの制御により、可変エンハンスフィールド(VEEF)最適化は2チャネルベンチマークで数値的に解決された高速なX$最適値に達する。 21の対称性を再現したルート軌道全体にわたって、あらかじめ指定された2時間のVEEF成長診断は、最適化されたダイナミクスから直接完全な補充分割を回復する。 インターフェースのキャパシティは、どれだけの絡み合うフラックスが利用できるかを定義するが、アーキテクチャは、新しい自由度がインターフェイスを継続的に補充し、そのキャパシティの繰り返し使用を継続できるかどうかを決定する。

関連論文リスト

• FluxBin: Flexible LUT-based Ultra-low-bit LLM Inference by Algorithm-Kernel Synergy [32.21687694159134]
  FluxBinは高度に最適化されたカーネルとバイナリ量子化を合成するアルゴリズムである。 FluxBinは最大5.92ドルのスピードアップと10.19ドルの省エネを達成する。 これにより、70Bスケールのモデルを1つのA100ベースにデプロイし、メモリを4倍に削減できる。
  論文  参考訳（メタデータ） (2026-08-16T08:01:06Z)
• LimiX-2M: Mitigating Low-Rank Collapse and Attention Bottlenecks in Tabular Foundation Models [56.999481798138625]
  LimiX-2Mは2Mパラメータモデルであり、広く使われているベンチマークでTabPFN-v2とTabICLのベースラインを上回っている。 本稿では,強力なタブラル基礎モデル(TFM)のための統一トークン化・ルートフレームワークを提案する。 その結果、TFMにおける精度-効率トレードオフを改善するキーレバーとして、バリューアウェアトークン化とリードアウト整列ルーティングが強調された。
  論文  参考訳（メタデータ） (2026-06-03T06:07:33Z)
• OScaR: The Occam's Razor for Extreme KV Cache Quantization in LLMs and Beyond [50.440302567029654]
  マルチモーダルインテリジェンスにより、Key-Valueキャッシュは効率的なデプロイメントのための主要なメモリボトルネックとなった。 本研究では、チャネルごとの量子化パラダイムの本質的な限界を再考する。 X-LLMのための高精度かつ軽量なKVキャッシュ圧縮フレームワークOScaRを提案する。
  論文  参考訳（メタデータ） (2026-05-19T10:53:03Z)
• Neural Cluster First, Route Second: One-Shot Capacitated Vehicle Routing via Differentiable Optimal Transport [3.248584983235657]
  CVRP(Capacitated Vehicle Routing Problem)のための一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発一発 グローバル・フリート・キャパシティの制約を、異なるエントロピック・最適輸送層を通じてエンドツーエンドで実施し、正確な静電容量を分散させる継続的な輸送計画を生み出している。 事前学習した語彙でフレームワークを組み込むことで、極端なパラメータ効率とゼロショットスケーリングを解放する。
  論文  参考訳（メタデータ） (2026-05-10T03:53:59Z)
• Towards Scalable Persistence-Based Topological Optimization [44.16669776030478]
  永続性に基づく位相最適化は、点クラウド $X の部分集合 mathbbRd$ を $L(X) = ell(mathrmDgm(X))$ という形の目的を最小化することによって変形する。 実際、最適化は2つの結合した問題によって制限される: 永続ホモロジーは典型的にはサブサンプル上で計算され、結果として生じる位相勾配は非常にスパースであり、非ゼロ更新を受けるアンカーポイントはわずかである。
  論文  参考訳（メタデータ） (2026-05-09T15:47:20Z)
• AdaFuse: Accelerating Dynamic Adapter Inference via Token-Level Pre-Gating and Fused Kernel Optimization [84.25316984309725]
  動的スパース構造とパラメータ効率のよいアダプタ(例えばLoRA)の統合は、大規模言語モデル(LLM)を拡張するための強力な技術である。 計算負荷は最小限に抑えられるが、計算のレイテンシが急上昇し、復号速度が2.5倍以上遅くなる。 AdaFuseはアルゴリズムと基盤となるハードウェアシステムとの緊密な協調設計に基づいて構築されたフレームワークで、効率的な動的アダプタ実行を実現する。
  論文  参考訳（メタデータ） (2026-03-12T12:46:42Z)
• Landscape-Similarity-Guided Optimization in QAOA [1.8827901691814237]
  本稿では,Douubly Optimized QAOA(DO-QAOA)を提案する。これは,競合近似比ギャップ(ARG)を維持しつつ,ランタイムと量子計測オーバーヘッドを低減させる。 DO-QAOAは、現実的なハードウェア制約の下でのハイブリッド量子古典最適化へのスケーラブルな経路を提供する。
  論文  参考訳（メタデータ） (2026-02-25T08:46:05Z)
• ChronoSpike: An Adaptive Spiking Graph Neural Network for Dynamic Graphs [10.05203937088835]
  スパイキングニューラルネットワークは、イベント駆動の効率を提供するが、シーケンシャルな伝播、バイナリ情報損失、グローバルなコンテキストを欠く局所的な集約によって制限される。 適応的なスパイクグラフニューラルネットワークであるChronoSpikeを提案する。このニューラルネットワークは、学習可能なLIFニューロンを膜間ダイナミクスと統合し、連続的な特徴に対する多頭部の空間的アグリゲーションと、トランスフォーマーの時間エンコーダである。 大規模な3つのベンチマークでは、ChronoSpikeは12の最先端のベースラインを$2.0%$マクロF1と$2.4%$マイクロF1で上回り、また、反復メソッドよりも3-10倍速いトレーニングを達成している。
  論文  参考訳（メタデータ） (2026-02-01T09:50:21Z)
• Flexiffusion: Training-Free Segment-Wise Neural Architecture Search for Efficient Diffusion Models [50.260693393896716]
  拡散モデル(DM)は高忠実度画像を生成できる強力な生成モデルであるが、高い計算コストで制約される。 我々は、事前訓練されたパラメータを変更することなく、生成スケジュールとモデルアーキテクチャを協調的に最適化する、トレーニング不要なNASフレームワークFlexiffusionを提案する。 我々の研究は、品質を犠牲にすることなく高速DMを検索するための資源効率の良いパラダイムを開拓した。
  論文  参考訳（メタデータ） (2025-06-03T06:02:50Z)
• Kronecker-Factored Approximate Curvature for Modern Neural Network Architectures [85.76673783330334]
  線形重み付け層の2つの異なる設定がクロネッカー型近似曲率(K-FAC)の2つの風味を動機付けている 重み付けをそれぞれ設定したディープ・リニア・ネットワークに対して正確であることを示す。 グラフニューラルネットワークと視覚変換器の両方をトレーニングするために、これらの2つのK-FACの違いをほとんど観測しない。
  論文  参考訳（メタデータ） (2023-11-01T16:37:00Z)
• Improved Branch and Bound for Neural Network Verification via Lagrangian Decomposition [161.09660864941603]
  ニューラルネットワークの入出力特性を公式に証明するためのブランチとバウンド(BaB)アルゴリズムのスケーラビリティを改善します。 活性化に基づく新しい分岐戦略とBaBフレームワークであるブランチとデュアルネットワーク境界(BaDNB)を提案する。 BaDNBは、従来の完全検証システムを大きなマージンで上回り、対数特性で平均検証時間を最大50倍に削減した。
  論文  参考訳（メタデータ） (2021-04-14T09:22:42Z)

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。

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。