論文の概要: Quality-of-Transmission Estimation in Quantum Networks: Compute, Simulate, or Learn?

• arxiv url: http://arxiv.org/abs/2610.23827v1
• Date: Fri, 16 Oct 2026 17:49:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:08.05834
• Title: Quality-of-Transmission Estimation in Quantum Networks: Compute, Simulate, or Learn?
• Title（参考訳）: 量子ネットワークにおける伝送品質の推定:計算、シミュレーション、学習は?
• Abstract要約: 将来の量子ネットワークは、ルーティング、スケジューリング、絡み合いのプロビジョニング、浄化、メモリ割り当てといったコントロールプレーンの決定に依存する。 この記事では、量子コントローラがフィデリティを解析的に計算し、シミュレートするか、代理モデルを学ぶべきかを問う。 本稿では,量子QoT推定のための計算/シミュレーション/学習フレームワークを提案し,シミュレーションに基づく概念実証を行った。
• 参考スコア（独自算出の注目度）: 2.305309289946973
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Future quantum networks will rely on control-plane decisions such as routing, scheduling, entanglement provisioning, purification, and memory allocation. Each decision depends on a timely and reliable estimate of the quality of the entanglement that a candidate path can deliver, with end-to-end fidelity as a central metric. Inspired by the optical-networking experience with quality-of-transmission (QoT) estimation, this article asks when a quantum controller should compute fidelity analytically, simulate it, or learn a surrogate model. The optical analogy is useful but incomplete: optical QoT estimation often predicts a scalar transmission margin, whereas quantum QoT estimation must account for probabilistic entanglement generation, random memory waiting times, decoherence, state consumption, and measurement constraints that can make fidelity a stochastic target. We propose a compute/simulate/learn framework for quantum QoT estimation and illustrate it with a simulation-based proof of concept. Our study shows that analytical composition can be sufficient in simple regimes, that simulation becomes necessary when stochastic memory effects shape the delivered fidelity distribution, and that lightweight learned surrogates can approximate simulator labels at much lower runtime cost for online control. We close with open challenges for deployment, including stochastic targets, sim-to-real transfer, data-generation cost, physics-informed learning, and generalization beyond individual paths to full network topologies.
• Abstract（参考訳）: 将来の量子ネットワークは、ルーティング、スケジューリング、絡み合いのプロビジョニング、浄化、メモリ割り当てといったコントロールプレーンの決定に依存する。 それぞれの決定は、候補パスが提供できる絡み合いの質のタイムリーで信頼性の高い見積もりに依存し、エンドツーエンドの忠実度が中心となる。 クオリティ・オブ・トランスミッション(QoT)推定による光ネットワーク経験から着想を得た本論文は,量子コントローラが忠実度を解析的に計算し,シミュレートし,サロゲートモデルを学習すべきかを問うものである。 光学的QoT推定はしばしばスカラー伝送マージンを予測するが、量子的QoT推定は確率的エンタングルメント生成、ランダムメモリ待ち時間、デコヒーレンス、状態消費、測定制約を考慮しなければならない。 本稿では,量子QoT推定のための計算/シミュレーション/学習フレームワークを提案し,シミュレーションに基づく概念実証を行った。 本研究は, 解析的構成が簡単な状況では十分であることを示すとともに, 確率的メモリ効果が供給された忠実度分布を形作る際にはシミュレーションが必要であること, 軽量学習サロゲートは, オンライン制御においてはるかに少ないランタイムコストでシミュレータラベルを近似できることを示した。 私たちは、確率的ターゲット、sim-to-real転送、データ生成コスト、物理インフォームドラーニング、そして完全なネットワークトポロジへの個々のパスを超えた一般化など、デプロイに関するオープンな課題に身を寄せています。

関連論文リスト

• Efficient simulation of noisy entanglement generation [35.61991435985963]
  この研究は量子ネットワークにおける絡み合い発生シミュレーションのスケールアップと改善のためのツールを提供する。 その結果、現在の量子ネットワークシミュレーション機能を大規模ネットワークに拡張し、将来の量子インターネットへの道を開くことができる。
  論文  参考訳（メタデータ） (2026-06-17T08:24:45Z)
• Computational regimes in matrix-product-state-based quantum trajectory simulations [4.187966512170651]
  本稿では, トラジェクトリ毎のメモリ, トラジェクトリ毎のランタイム, サンプリング作業に総コストを分割する, 量子トラジェクトリシミュレーションのためのコスト解決フレームワークを提案する。 同じリンドブラッド力学の物理的に等価な解法は、必ずしも総コストを減少させるのではなく、軌跡複雑性と統計的収束の間のコストを再分配することを示した。
  論文  参考訳（メタデータ） (2026-06-11T18:00:02Z)
• AQER: a scalable and efficient data loader for digital quantum computers [62.40228216126285]
  我々は,ターゲット状態の絡み合いを体系的に低減し,負荷回路を構成するスケーラブルなAQL手法であるAQERを開発した。 我々は、合成データセット、古典画像および言語データセット、最大50キュービットの量子多体状態データセットを用いて、AQERの有効性を評価するための体系的な実験を行う。
  論文  参考訳（メタデータ） (2026-02-02T14:39:42Z)
• Optimal quantum learning in proximity to universality [0.0]
  古典的にシミュレート可能な量子システムと計算的に優れた量子システムの境界は、真の量子優位性を特定するのに基本である。 可変な$N$-qubitランダム回路モデルを導入し、クリフォードゲートの分数$p$を確率的に非安定化条件付き$hatT$ゲートに置き換える。 本研究では,時間的処理タスクにおける貯水池の性能と,その絡み合いスペクトル統計量と長距離非安定化資源量との直接対応性を確立する。
  論文  参考訳（メタデータ） (2025-10-21T13:27:41Z)
• Drastic Circuit Depth Reductions with Preserved Adversarial Robustness by Approximate Encoding for Quantum Machine Learning [0.5181797490530444]
  本研究では, 変分, 遺伝的および行列積状態に基づくアルゴリズムを用いて, 符号化画像データを表す量子状態の効率的な作成法を実装した。 その結果、これらの手法は、標準状態準備実装よりも2桁も浅い回路を用いて、QMLに適したレベルにほぼ準備できることが判明した。
  論文  参考訳（メタデータ） (2023-09-18T01:49:36Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• Importance sampling for stochastic quantum simulations [68.8204255655161]
  我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。 サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。 格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
  論文  参考訳（メタデータ） (2022-12-12T15:06:32Z)
• Green, Quantized Federated Learning over Wireless Networks: An Energy-Efficient Design [68.86220939532373]
  有限精度レベルは、固定精度フォーマットで重みとアクティベーションを定量化する量子ニューラルネットワーク(QNN)を使用して取得される。 提案するFLフレームワークは,ベースラインFLアルゴリズムと比較して,収束までのエネルギー消費量を最大70%削減することができる。
  論文  参考訳（メタデータ） (2022-07-19T16:37:24Z)
• 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)

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。