論文の概要: Learning and interpreting policies for simultaneous entanglement requests in quantum networks

• arxiv url: http://arxiv.org/abs/2609.30157v1
• Date: Thu, 24 Sep 2026 17:16:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:10.153095
• Title: Learning and interpreting policies for simultaneous entanglement requests in quantum networks
• Title（参考訳）: 量子ネットワークにおける同時絡み合い要求の学習と解釈
• Abstract要約: 将来の量子ネットワークは、多くのタスクを実行するために絡み合いを利用する。 これらのタスクは、リソースとレイテンシを最小限にしながら、ネットワークのさまざまな領域で同時に実行される必要がある。 問題に対するマルコフ決定過程を定式化し、メッセージパッシングニューラルネットワーク(MPNN)を用いたダブルディープQネットワークを使用する。 ネットワークトポロジの基準線よりも最大71%低いリンクアクティベーション確率で100%の成功を維持していることを示す。
• 参考スコア（独自算出の注目度）: 0.764671395172401
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Future quantum networks will make use of entanglement to perform numerous tasks, such as sending quantum information over long distances, distributed quantum computing, and quantum sensing. In general, these tasks will need to be performed simultaneously in various regions of a network, while minimizing resources and latency. We will thus require policies for scheduling link-level entanglement resources, and using the link-level entanglement to create various forms of multipartite entanglement required for every task. In this work, we address this problem using reinforcement learning. We formulate a Markov Decision Process for the problem and use double deep Q-networks (DQN) with Message Passing Neural Networks (MPNNs), experience replay buffers, and curriculum training to obtain policies. The key physical parameter is the probability of link-level entanglement generation, i.e., the link activation probability. We show that our policies maintain 100% success for up to 71% lower link activation probability than the baseline heuristics for a set of physically relevant network topologies. We then examine an additional constraint where experiment (task) placements are restricted to specific hardware types and demonstrate a similar advantage in performance over heuristics, with our policy maintaining at least an 80% success rate for up to a 59% lower link activation probability. Finally, we explore methods to interpret the learned policy by defining metrics enabling conclusions to be drawn about the model's behavior and by tasking a large language model (LLM) to derive a novel heuristic given example actions taken by the DQN-trained policy. We find that the LLM heuristic performs similarly to the DQN-trained policy in performance, indicating a promising method for interpretable policy extraction for large quantum networks, where direct training becomes computationally expensive.
• Abstract（参考訳）: 将来の量子ネットワークは、遠距離での量子情報送信、分散量子コンピューティング、量子センシングなど、多くのタスクを実行するために絡み合いを利用する。 一般的に、これらのタスクは、リソースとレイテンシを最小限にしながら、ネットワークのさまざまな領域で同時に実行される必要があります。 したがって、リンクレベルの絡み合いリソースのスケジューリングや、リンクレベルの絡み合いを利用して、各タスクに必要な様々な形式のマルチパーティント絡み合いを作成するためのポリシーが必要である。 本研究では,強化学習を用いてこの問題に対処する。 本稿では,この問題に対するマルコフ決定過程を定式化し,メッセージパッシングニューラルネットワーク(MPNN)を用いた二重深度Q-networks(DQN),経験的リプレイバッファ,カリキュラムトレーニングを用いてポリシーを得る。 鍵となる物理パラメータはリンクレベルの絡み合いの発生確率、すなわちリンクアクティベーション確率である。 我々は,ネットワークトポロジの基準ヒューリスティックスよりも,最大71%のリンクアクティベーション確率で100%の成功を維持していることを示す。 次に、実験(タスク)配置を特定のハードウェアタイプに制限し、ヒューリスティックスよりも性能に類似した優位性を示す、追加の制約を検討する。 最後に、モデルの振る舞いに関する結論を導き出すためのメトリクスを定義し、また、DQN訓練されたポリシーによって得られた新しいヒューリスティックな実例アクションを導出する大規模言語モデル(LLM)を課題として、学習したポリシーを解釈する手法を検討する。 LLMヒューリスティックはDQNのトレーニング済みポリシーと同様の性能を発揮しており、直接トレーニングが計算コストのかかる大規模量子ネットワークにおいて、ポリシー抽出を解釈するための有望な方法であることを示す。

関連論文リスト

• 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)
• Optimal resource requirements for connected quantum sub-networks [1.619107149276392]
  この研究は、量子サブネットワークを接続することで大きな量子ネットワークを構築するためのスケーラブルなアプローチを説明する。 しきい値を満たす平均ネットワークパラメータの最適値を与える方程式の集合を導出する。 その結果,グローバルな量子インターネットを形成するために相互接続された量子サブネットワークにおいて,最適なリソース要求を計算する経路が提示された。
  論文  参考訳（メタデータ） (2025-02-20T09:20:55Z)
• Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [86.99017195607077]
  統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。 我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
  論文  参考訳（メタデータ） (2024-04-04T06:24:11Z)
• Offline Multi-task Transfer RL with Representational Penalization [26.114893629771736]
  オフライン強化学習(RL)における表現伝達の問題について検討する。 本稿では,学習者表現に対する不確実性度を計算するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-19T21:52:44Z)
• Generative AI-enabled Quantum Computing Networks and Intelligent Resource Allocation [80.78352800340032]
  量子コンピューティングネットワークは、大規模な生成AI計算タスクと高度な量子アルゴリズムを実行する。 量子コンピューティングネットワークにおける効率的なリソース割り当ては、量子ビットの可変性とネットワークの複雑さのために重要な課題である。 我々は、生成学習から量子機械学習まで、最先端強化学習(RL)アルゴリズムを導入し、最適な量子リソース割り当てを行う。
  論文  参考訳（メタデータ） (2024-01-13T17:16:38Z)
• Compositional Policy Learning in Stochastic Control Systems with Formal Guarantees [0.0]
  強化学習は複雑な制御タスクに対するニューラルネットワークポリシーの学習において有望な結果を示している。 本研究では,環境におけるニューラルネットワークポリシーの構成を学習するための新しい手法を提案する。 正式な証明書は、ポリシーの行動に関する仕様が望ましい確率で満たされていることを保証します。
  論文  参考訳（メタデータ） (2023-12-03T17:04:18Z)
• 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)
• On the design and analysis of near-term quantum network protocols using Markov decision processes [0.9065034043031668]
  マルコフ決定過程(MDP)に基づく短期量子ネットワークの理論 MDPは、短期量子ネットワークのためのプロトコルをモデル化するための正確で体系的な数学的枠組みを提供する。 新しい結果は、よく知られたメモリカットポリシーが最適であることを示している。
  論文  参考訳（メタデータ） (2022-07-07T16:18:59Z)
• Policies for elementary links in a quantum network [0.0]
  特に短期量子ネットワークにおいて重要な問題は、最適な絡み合い分布プロトコルを開発することである。 決定過程の理論を用いて、絡み合い分布のための量子ネットワークプロトコルの研究を開始することで、この問題に対処する。 我々は,これまで研究されてきたメモリカットプロトコルを,意思決定プロセスフレームワーク内のポリシとして表現できることを示す。
  論文  参考訳（メタデータ） (2020-07-07T04:10:41Z)

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。