論文の概要: Quantum-Enhanced Learning Framework for Intelligent and AI-Native 6G Wireless Networks
- arxiv url: http://arxiv.org/abs/2609.06814v1
- Date: Sun, 06 Sep 2026 20:13:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-12 04:26:26.284527
- Title: Quantum-Enhanced Learning Framework for Intelligent and AI-Native 6G Wireless Networks
- Title（参考訳）: インテリジェントでAIに依存しない6G無線ネットワークのための量子強化学習フレームワーク
- Abstract要約: マルチスケールな拡張畳み込みとスケールされたドット積の注目を統合する,TinyML-量子ハイブリッドフレームワークであるQuantumerを紹介する。
また、コンパクトなトラフィック表現をヒルベルト空間にマッピングする4ビット変分回路であるQuantiblentLayerを提案する。
これらの量子アシスト埋め込みをエネルギー効率が高く軽量なトランスフォーマーに転送することで、Quantumerは計算とメモリのオーバーヘッドを最小限に抑えて強力な検出性能を実現する。
- 参考スコア（独自算出の注目度）: 28.680231795970837
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The recent convergence of 6G wireless systems and Tiny Machine Learning (TinyML) has driven the need for on-device intelligence in edge networks, where ultra-low latency, stringent energy budgets, and tight compute constraints demand novel architectures. Lightweight deep models efficiently extract local patterns but fail to capture global dependencies, while attention mechanisms do so at the expense of energy and computational cost. To bridge this gap, we introduce Quantumer, a hybrid TinyML--quantum framework that integrates multi-scale dilated convolutions and scaled dot-product attention within a lightweight transformer architecture, employing a two-stage transfer learning pipeline from Quantum Pre-Training (Quantumer-Q) to Classical Fine-Tuning (Quantumer-C). We also present QuantiblentLayer, a four-qubit variational circuit that maps compact traffic representations into measurement-based Hilbert-space features using trainable rotations and cyclic entangling operations. The circuit is used only during offline pre-training as a nonlinear embedding teacher and is removed before Quantumer-C deployment, leaving a fully classical inference model without runtime quantum execution. By transferring these quantum-assisted embeddings into an energy-efficient, lightweight transformer, Quantumer achieves strong detection performance with minimal compute and memory overhead on resource-constrained edge devices. The intrusion detection system (IDS) is used as a case study and evaluated on the Edge-IIoTset, TON IoT, and WUSTL-IIoT-2021 datasets. Quantumer-Q achieves competitive compact-model performance with 105.86K parameters, 0.4038 MB memory usage, 0.5525 MB model size, and 5.5646 MFLOPs; the INT8 Raspberry Pi 4 deployment obtains 16.8413 ms latency with a 0.6493 MB footprint. These results support training-time quantum-assisted representation learning for compact edge-deployable IDS.
- Abstract（参考訳）: 最近の6G無線システムとTiny Machine Learning(TinyML)の収束により、エッジネットワークにおけるデバイス上のインテリジェンスの必要性が高まっている。
軽量深層モデルは局所的なパターンを効率的に抽出するが、エネルギーと計算コストを犠牲にして注意機構が機能するのに対して、グローバルな依存関係を捕捉することができない。
このギャップを埋めるために、Quantumerを紹介します。Quantumerは、Quantum Pre-Training (Quantumer-Q)からClassical Fine-Tuning (Quantumer-C)への2段階の移行学習パイプラインを使用して、マルチスケールの拡張畳み込みとスケールされたドット製品アテンションを軽量トランスフォーマーアーキテクチャ内で統合するハイブリッドTinyML量子フレームワークです。
また,4ビット変動回路であるQuantiblentLayerを,トレーニング可能な回転と循環エンタングル操作を用いて,コンパクトなトラフィック表現を計測に基づくヒルベルト空間特徴にマッピングする。
この回路はオフラインの事前トレーニングでのみ非線形埋め込み教師として使用され、Quantumer-Cデプロイメントの前に取り除かれ、実行時量子実行なしで完全に古典的な推論モデルが残される。
これらの量子アシスト埋め込みをエネルギー効率が高く軽量なトランスフォーマーに転送することで、Quantumerはリソース制約されたエッジデバイス上で、最小の計算とメモリオーバーヘッドで強力な検出性能を実現する。
侵入検知システム(IDS)は、Edge-IIoTset、TON IoT、WUSTL-IIoT-2021データセットのケーススタディとして使用され、評価される。
Quantumer-Qは105.86Kパラメータ、0.4038 MBメモリ使用量、0.5525 MBモデルサイズ、5.5646 MFLOPで競合するコンパクトモデル性能を実現している。
これらの結果は、コンパクトエッジ展開可能なIDSのためのトレーニング時間量子支援表現学習を支援する。
関連論文リスト
- Quantum Incremental Learning with Mixed State Prototypes [53.319426778720434]
トレーニング可能な混合状態プロトタイプに基づく新しい量子インクリメンタル学習フレームワークを提案する。
本モデルでは,最小数の量子ビットを用いて高次元特徴量を実現する。
論文 参考訳（メタデータ） (2026-08-11T04:22:42Z) - BWTA: Accurate and Efficient Binarized Transformer by Algorithm-Hardware Co-design [71.97035034203275]
バイナライゼーションにおけるゼロ点歪みを解析し,BWTA量子化方式を提案する。
本稿では,Smooth Multi-Stage Quantizationを提案し,レベルワイド・デグラデーション・ストラテジーとMagnitude Alignment Projection Factorを組み合わせた。
実験の結果、BWTAはTransformerベースのモデルに対して、GLUEでは平均3.5%、タスクでは2%未満の精度でフル精度のパフォーマンスにアプローチしていることがわかった。
論文 参考訳（メタデータ） (2026-04-05T04:25:07Z) - LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。
本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。
本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
論文 参考訳（メタデータ） (2026-01-18T12:08:38Z) - RockNet: Distributed Learning on Ultra-Low-Power Devices [49.01692357536576]
本稿では,超低消費電力ハードウェアに適した新しいTinyML法であるRockNetを提案する。
CPSは複数のデバイスで構成されているため,機械学習と無線通信を統合した分散学習手法を設計する。
この結果から,分散ML,分散コンピューティング,通信の緊密な統合により,最先端の精度で超低消費電力ハードウェアのトレーニングが可能となった。
論文 参考訳（メタデータ） (2025-10-15T09:09:30Z) - CLAQS: Compact Learnable All-Quantum Token Mixer with Shared-ansatz for Text Classification [25.923244871975058]
テキスト分類のためのコンパクトで完全量子トークンミキサーであるCLAQSを提案する。
振幅スケーリングを規制するためにl1正規化を適用し、2段階のパラメタライズド量子アーキテクチャを導入する。
CLAQSはスライディングウインドウの下で動作しており、8つのデータキュービットと浅い回路しか必要としないが、SST-2では91.64%、IMDBでは87.08%の精度を達成している。
論文 参考訳（メタデータ） (2025-10-08T00:20:08Z) - Quantum parallel information exchange (QPIE) hybrid network with transfer learning [18.43273756128771]
量子機械学習(QML)は、複雑なパターンを明らかにする可能性のある革新的なフレームワークとして登場した。
量子並列情報交換(QPIE)ハイブリッドネットワークを導入する。
量子処理ユニットにパラメータシフトルールを適用する動的勾配選択法を開発した。
論文 参考訳（メタデータ） (2025-04-05T17:25:26Z) - Training Hybrid Deep Quantum Neural Network for Efficient Reinforcement Learning [3.753031740069576]
量子回路は、次元が指数関数的に増加するヒルベルト空間にデータを埋め込む。
量子回路を局所的に近似する有接サロゲートqtDNNを導入する。
我々は、連続制御強化学習のためのハイブリッドディープ量子ニューラルネットワークhDQNN-TD3を設計する。
論文 参考訳（メタデータ） (2025-03-12T07:12:02Z) - Quantum Kernel-Based Long Short-term Memory [0.30723404270319693]
本稿では,Quantum Kernel-Based Long Short-Term Memory (QK-LSTM) ネットワークを導入する。
この量子化アーキテクチャは、効率的な収束、ロバストな損失最小化、モデルコンパクト性を示す。
ベンチマークの結果,QK-LSTMは従来のLSTMモデルと同等の性能を示すが,パラメータは少ない。
論文 参考訳（メタデータ） (2024-11-20T11:39:30Z) - Federated Quantum-Train with Batched Parameter Generation [3.697453416360906]
我々は、QTモデルをフェデレートラーニングに統合する、Federated Quantum-Train(QT)フレームワークを紹介する。
提案手法は, 一般化誤差を低減しつつ, 量子ビット使用量を19から8キュービットまで大幅に削減する。
論文 参考訳（メタデータ） (2024-09-04T14:39:11Z) - A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳（メタデータ） (2024-02-23T14:09:41Z) - Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。
関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。
量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-21T21:40:47Z)
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。