論文の概要: ReFINE: Scheduling of Distillation and Coding for Rate-Fidelity Tradeoff in Quantum Networks

• arxiv url: http://arxiv.org/abs/2609.21152v1
• Date: Thu, 17 Sep 2026 23:42:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.796009
• Title: ReFINE: Scheduling of Distillation and Coding for Rate-Fidelity Tradeoff in Quantum Networks
• Title（参考訳）: ReFINE:量子ネットワークにおけるレートフィデリティトレードオフのための蒸留と符号化のスケジューリング
• Abstract要約: 量子ネットワークにおいて、ノードはアインシュタイン=ポドルスキー=ローゼン対(EPR)を共有することで接続される。 EPRペアの忠実度は、不完全な生成とデコヒーレンスエラーにより低下する。 蒸留,CEM,サーブリクエストの実行をスケジュールする要求対応スケジューラであるReFINEを提案する。
• 参考スコア（独自算出の注目度）: 1.2234742322758418
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In quantum networks, nodes are connected via sharing of Einstein-Podolsky-Rosen (EPR) pairs, ideally with high fidelity and high rate. However, the fidelity of EPR pairs degrades due to imperfect generation and decoherence errors. Entanglement Distillation is a method that increases the fidelity but operates probabilistically and may destroy all involved EPR pairs upon failure. This failure reduces available EPR pairs for application use, thereby decreasing the service rate. Quantum Error Correction (QEC) is another mechanism to protect EPR pairs against error by forming what we term as Coding-Enhanced Memory (CEM). While effective, CEM requires extra time and resources to form the code, which also reduces the service rate. Existing methods often use static combinations of distillation and CEM, ignoring demand variations. This results in a low service rate without significant fidelity gain. Limited resources together with this rate-fidelity tradeoff make it essential to schedule when to run distillation, form CEM, or serve requests. We propose ReFINE, a demand-aware preemptive scheduler that based on application requirements either serves an available EPR pair immediately or preserves it in CEM. This selective use of CEM, only when needed, enables a better balance for rate-fidelity tradeoff than always using CEM. Between request arrivals, ReFINE either schedules distilling EPR pairs or forming CEM to protect distilled pairs, following one of the three priority policies: ReFINE-D (Distillation-First) first generates EPR pairs for distillation and then forms the CEM, prioritizing service rate. ReFINE-M (Memory-First) first forms the CEM, then generates the EPR pairs for distillation, prioritizing fidelity. ReFINE-C (Concurrent) performs both distillation and CEM formation concurrently, balancing between fidelity and service rate.
• Abstract（参考訳）: 量子ネットワークにおいて、ノードはアインシュタイン=ポドルスキー=ローゼン対(EPR)を共有することで接続される。 しかしながら、EPRペアの忠実度は、不完全生成とデコヒーレンスエラーにより低下する。 エンタングルメント蒸留(Entanglement Distillation)は、忠実度を高めるが確率的に動作し、故障時に関連するEPRペアをすべて破壊する手法である。 この障害により、アプリケーション使用のための利用可能なEPRペアが減少し、サービスレートが低下する。 量子エラー補正(Quantum Error Correction, QEC)は、私たちがコード拡張メモリ(Coding-Enhanced Memory, CEM)と呼ぶものを形成することで、EPRペアをエラーから保護する別のメカニズムである。 有効ではあるが、CEMはコードを形成するのに余分な時間とリソースを必要とします。 既存の方法は、しばしば蒸留とCEMの静的な組み合わせを使用し、需要変動を無視している。 その結果、サービスレートが大幅に向上することなく低下する。 このレート・フィデリティのトレードオフと共に限られた資源は、蒸留、CEMの形成、または要求の処理をいつ行うかをスケジュールすることが不可欠である。 本稿では,アプリケーション要件に基づいた要求対応型プリエンプティブスケジューラReFINEを提案する。 この選択的なCEMの使用は、必要に応じてのみ、常にCEMを使用するよりも、レートとフィデリティのトレードオフのバランスが良くなる。 ReFINE-D (Distillation-First) は、まず蒸留用のECPペアを生成し、次にCEMを形成し、サービスレートを優先順位付けする。 ReFINE-M (Memory-First) はまずCEMを形成し、次に蒸留のためのEPRペアを生成し、忠実度を優先する。 ReFINE-C(Concurrent)は蒸留とCEM生成を同時に行い、忠実度とサービスレートのバランスをとる。

関連論文リスト

• Rethinking Token Reduction for Diffusion Models via Output-Similarity-Awareness [2.5966966127729454]
  拡散変換器(DiT)はより優れた画像生成品質を実現するが、トークン数に対して2次計算の複雑さに悩まされる。 出力中心のトークン還元に焦点を移す新しいTRパラダイムであるDiToを提案する。 実験により、DiToは既存のTR法よりも1.6-3.9dB高いPSNRを同等のスピードアップで一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2026-05-21T05:18:42Z)
• Unleashing Implicit Rewards: Prefix-Value Learning for Distribution-Level Optimization [74.91418266859297]
  インプシットプロセス報酬モデル(PRM)は、推論プロセスに沿ってきめ細かな報酬信号を提供する。 トレーニングはシーケンスレベルの集約のみを制限しますが、推論はローカルステップの品質を反映するためにトークンレベルのスコアが必要です。 本稿では,予測精度を推定するプレフィックス条件付き値関数を直接学習する新しいインプリシット・プレフィックス・バリュー・リワード・モデル(IPVRM)を提案する。 また,サンプルトークンと高確率候補トークンの両方に対してTDの利点を演算する分散レベルRL(DistRL)を提案する。
  論文  参考訳（メタデータ） (2026-04-14T18:19:54Z)
• TS-Memory: Plug-and-Play Memory for Time Series Foundation Models [63.21390142212087]
  Time Series Foundation Models (TSFM) は大規模な事前訓練を通じて強力なゼロショット予測を実現する。 パラメトリック適応は破滅的な忘れを招き、非パラメトリック検索は予測を改善するが、データストア検索によってレイテンシが高くなる。 本稿では, TSFM を拡張した軽量メモリアダプタ TS-Memory としてParametric Memory Distillation を提案し,実装する。
  論文  参考訳（メタデータ） (2026-02-12T04:16:19Z)
• Save the Good Prefix: Precise Error Penalization via Process-Supervised RL to Enhance LLM Reasoning [59.76691952347156]
  強化学習(RL)は,大規模言語モデル(LLM)の推論能力向上のための強力なフレームワークとして登場した。 既存のRLアプローチの多くは疎結果報酬に依存しており、部分的に成功した解では正しい中間段階を信用できない。 本稿では、PRMを用いてRL中の最初のエラーをローカライズする検証済み事前修正ポリシー最適化(VPPO)を提案する。
  論文  参考訳（メタデータ） (2026-01-26T21:38:20Z)
• Entanglement Distribution Delay Optimization in Quantum Networks with Distillation [51.53291671169632]
  量子ネットワーク(QN)は、分散量子コンピューティングとセンシングアプリケーションを実現するために絡み合った状態を分散する。 QSリソース割り当てフレームワークは、エンド・ツー・エンド(e2e)の忠実度を高め、最小レートと忠実度を満たすために提案される。
  論文  参考訳（メタデータ） (2024-05-15T02:04:22Z)
• Score identity Distillation: Exponentially Fast Distillation of Pretrained Diffusion Models for One-Step Generation [61.03530321578825]
  Score Identity Distillation (SiD) は、事前学習した拡散モデルの生成能力を1ステップ生成器に蒸留する革新的なデータフリー手法である。 SiDは、蒸留中のFr'echet開始距離(FID)を指数的に高速に減少させるだけでなく、元の教師拡散モデルのFID性能に近づいたり、超えたりする。
  論文  参考訳（メタデータ） (2024-04-05T12:30:19Z)
• Optimistic Entanglement Purification in Quantum Networks [11.511763058777259]
  量子チャネルで発生するノイズと光子損失は、量子ネットワークにおける信頼性の高い絡み合い生成において大きな課題となる。 短期ネットワークでは、成功裏に発生した絡みをエンドポイントに通知するためには、階層化が必要である。 我々は, 絡み込みポンプ方式, 地上および衛星ベースのEPR発生源, 最先端の浄化回路に最適化を適用した。
  論文  参考訳（メタデータ） (2024-01-16T01:08:17Z)
• On the Fidelity Distribution of Link-level Entanglements under Purification [3.5957268592786966]
  リンクレベルのアインシュタイン-ポドルスキー-ローゼン対は連続的に生成され、数個の量子メモリに保存される。 大きな課題は、量子ビットが環境との相互作用によって避けられないノイズに悩まされることである。 本稿では,各ノードに2つの量子メモリを持つシステムにおいて,格納されたリンクレベルEPRペアの忠実度の確率分布を示す。
  論文  参考訳（メタデータ） (2023-10-27T15:16:19Z)
• Efficient Scheduling of Data Augmentation for Deep Reinforcement Learning [2.837718256830632]
  深層強化学習(RL)では、データ拡張は有用な先行要素のセットを誘導するツールとして広く考えられている。 しかし、前者が一般化に有用であったとしても、RL剤に蒸留すると、しばしばRLの訓練に干渉し、試料効率を低下させる。 我々は, 任意の時間(RL後であっても)に前向きに一貫性を注入するスタンドアローンネットワーク蒸留法と, 蒸留を自動的にスケジュールする簡易かつ効率的な枠組みを考案した。
  論文  参考訳（メタデータ） (2022-06-01T14:28:35Z)
• CPR: Understanding and Improving Failure Tolerant Training for Deep Learning Recommendation with Partial Recovery [8.754247642083948]
  本稿では,リコメンデーションモデルのための部分的リカバリトレーニングシステムであるCPRを提案する。 CPRは、トレーニング中にノードがフェールした場合にチェックポイントをロードすることなく、非フェールノードの進行を可能にすることで、一貫性要件を緩和する。 CPRの2種類のCPR-MFUとCPR-SSUは、チェックポイント関連のオーバーヘッドをフルリカバリと比較して8.2-8.5%から0.53-0.68%に削減した。
  論文  参考訳（メタデータ） (2020-11-05T17:54:35Z)

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。