論文の概要: Quantum Reinforcement Learning for Cost and Delay Tradeoffs in Quantum Cloud Orchestration

• arxiv url: http://arxiv.org/abs/2609.27446v1
• Date: Wed, 23 Sep 2026 07:11:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.926482
• Title: Quantum Reinforcement Learning for Cost and Delay Tradeoffs in Quantum Cloud Orchestration
• Title（参考訳）: 量子クラウドオーケストレーションにおけるコストと遅延トレードオフのための量子強化学習
• Abstract要約: コスト遅延を考慮した量子クラウドスケジューリングフレームワークQRLQを提案する。 QRLQはコストベースラインよりも平均コストと遅延が低いことを示す。 本研究は,量子クラウド環境におけるタスクオーケストレーションにおけるQRLの適用可能性について検討する。
• 参考スコア（独自算出の注目度）: 1.401383710276782
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum cloud computing, delivered through the quantum-as-a-service (QaaS) model, provides access to quantum computing resources. However, applying uniform time-based pricing across fundamentally heterogeneous quantum resources significantly complicates task orchestration, particularly when addressing the tradeoff between execution costs and system performance. While heuristic methods rely on predefined scheduling rules, classical deep reinforcement learning (DRL) models may require more trainable parameters in this setting. Motivated by the potential of parameterised quantum circuits (PQCs) as compact function approximators, we propose QRLQ, a cost-delay-aware quantum cloud scheduling framework integrating PQCs with a dueling double deep Q-network (D3QN) to dynamically account for both cost and delay. Our simulation results show that QRLQ achieves lower mean cost and delay than the heuristic baselines, achieving a 5-11% lower mean cost relative to availability-based and rotation-based heuristics and reducing mean delay by 17% and 82% relative to the strongest and weakest heuristic baselines, respectively, while retaining execution fidelity within 2% of a fidelity-greedy policy. Compared with the classical DRL baseline, QRLQ achieves comparable scheduling performance while using 72% fewer trainable parameters. This work explores the feasibility of using QRL for task orchestration in quantum cloud environments and demonstrates its potential for cost-delay-aware quantum resource management.
• Abstract（参考訳）: QaaS(Quantum-as-a-service)モデルを通じて提供される量子クラウドコンピューティングは、量子コンピューティングリソースへのアクセスを提供する。 しかしながら、時間ベースの均一な価格設定を基本的に異質な量子リソースに適用することは、特に実行コストとシステムパフォーマンスのトレードオフに対処する場合、タスクオーケストレーションを著しく複雑にする。 ヒューリスティックな手法は事前定義されたスケジューリング規則に依存するが、古典的な深層学習(DRL)モデルは、この設定でより訓練可能なパラメータを必要とするかもしれない。 パラメータ化量子回路 (PQC) をコンパクト関数近似器として用いることにより,PQCとD3QNを併用したコスト遅延型量子クラウドスケジューリングフレームワークであるQRLQを提案し,コストと遅延の両方を動的に考慮する。 シミュレーションの結果,QRLQはヒューリスティックベースラインよりも低い平均コストと遅延を達成し,アベイラビリティベースおよびローテーションベースヒューリスティックスと比較して平均コストを5-11%低減し,最強および弱いヒューリスティックベースラインに対して平均遅延を17%,82%低減し,フィデリティグレーディポリシーの2%以内の実行フィデリティを維持した。 従来のDRLベースラインと比較して、QRLQはトレーニング可能なパラメータを72%減らしながら、同等のスケジューリング性能を達成する。 この研究は、量子クラウド環境におけるタスクオーケストレーションにQRLを使用することの可能性について検討し、コスト遅延を考慮した量子リソース管理の可能性を示す。

関連論文リスト

• Variational Quantum Circuit-Based Reinforcement Learning for Dynamic Portfolio Optimization [7.349651640835185]
  本稿では,変分量子回路に基づく動的ポートフォリオ最適化問題に対する量子強化学習ソリューションを提案する。 我々の量子エージェントは、古典的なディープRLモデルに匹敵するリスク調整性能を達成できることを示す。
  論文  参考訳（メタデータ） (2026-01-20T15:17:24Z)
• 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)
• End-to-End On-Device Quantization-Aware Training for LLMs at Inference Cost [53.25965863436039]
  量子化対応トレーニング(QAT)は、より原則化されたソリューションを提供するが、バックプロパゲーションに依存しているため、メモリコストは禁じられている。 重み付けとアクティベーション量子化の両方をサポートするゼロオーダー最適化ベースのQATフレームワークであるZeroQATを提案する。 実験の結果、ZeroQATはPTQとQATのベースラインを一貫して上回り、メモリは大幅に削減された。
  論文  参考訳（メタデータ） (2025-08-21T01:18:27Z)
• TensorRL-QAS: Reinforcement learning with tensor networks for improved quantum architecture search [2.345518191053745]
  変分量子アルゴリズムは、ノイズの多い中間スケール量子ハードウェア上で既に有意義な量子問題に対処する約束を持っている。 量子アーキテクチャサーチ(QAS)は、量子回路の設計プロセスを自動化する。 有望なアプローチとして出現する強化学習(RL)。 $textitTensorRL-QAS$は、ネットワークメソッドとRLを組み合わせた改善されたフレームワークである。
  論文  参考訳（メタデータ） (2025-05-14T13:23:34Z)
• KANQAS: Kolmogorov-Arnold Network for Quantum Architecture Search [0.0]
  我々は量子探索(QAS)アルゴリズムでKAN(Kolmogorov-Arnold Network)を用いて、量子状態の準備と量子化学のタスクにおける効率を解析する。 量子状態調製では、ノイズのないシナリオでは、成功確率はロバストネスの2倍から5倍であることを示す。 量子化学問題に対処するため,最近提案されたQASアルゴリズムを,KAN構造とカリキュラム強化学習を統合して拡張する。
  論文  参考訳（メタデータ） (2024-06-25T15:17:01Z)
• QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum Circuits [82.50620782471485]
  QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。 1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。 提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
  論文  参考訳（メタデータ） (2024-01-10T22:33:00Z)
• Elastic Entangled Pair and Qubit Resource Management in Quantum Cloud Computing [73.7522199491117]
  量子クラウドコンピューティング(QCC)は、量子コンピューティングリソースを効率的に提供するための有望なアプローチを提供する。 ユーザ需要の変動と量子回路の要求は、効率的なリソース供給のために困難である。 本稿では、量子コンピューティングとネットワークリソースのプロビジョニングのためのリソース割り当てモデルを提案する。
  論文  参考訳（メタデータ） (2023-07-25T00:38:46Z)
• QSAN: A Near-term Achievable Quantum Self-Attention Network [73.15524926159702]
  SAM(Self-Attention Mechanism)は機能の内部接続を捉えるのに長けている。 短期量子デバイスにおける画像分類タスクに対して,新しい量子自己注意ネットワーク(QSAN)を提案する。
  論文  参考訳（メタデータ） (2022-07-14T12:22:51Z)
• Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
  本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。 数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
  論文  参考訳（メタデータ） (2020-10-20T12:06:27Z)

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。