論文の概要: A Topology-Aware Quantum-Classical Framework for Multi-Target Active Debris Removal using Gaussian Boson Sampling
- arxiv url: http://arxiv.org/abs/2610.31824v2
- Date: Mon, 26 Oct 2026 14:00:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.210181
- Title: A Topology-Aware Quantum-Classical Framework for Multi-Target Active Debris Removal using Gaussian Boson Sampling
- Title（参考訳）: ガウスボソンサンプリングを用いたマルチターゲットアクティブデブリ除去のためのトポロジー対応量子古典的フレームワーク
- Abstract要約: 本稿では、軌道力学、重み付き軌道移動グラフ、多目的進化最適化を統合したトポロジ対応の量子古典的フレームワークを提案する。
我々は、このフレームワークを3つのベンチマーク環境、SOCRATES Minefield、Collision Cloud、Randomで評価し、候補プールサイズはNin15,18,22,25$、ターゲット濃度はkin3,5$である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The continued growth of orbital debris threatens the safety and sustainability of near-Earth space, making Active Debris Removal (ADR) an important mitigation strategy. Selecting $k$ targets from $N$ candidates yields a combinatorial search space of size $\binom{N}{k}$, making joint target selection and mission sequencing computationally demanding. We present a topology-aware quantum-classical framework integrating orbital mechanics, weighted orbital-transfer graphs, Gaussian Boson Sampling (GBS), and multi-objective evolutionary optimization. Seven target-prioritization strategies represent physical consequence, orbital persistence, conjunction risk, network centrality, community structure, inferred source families, and random selection. GBS generates candidate target subsets from the weighted graph, which are then evaluated using PyGMO-based evolutionary optimization to identify servicing sequences that jointly minimize total velocity increment ($Δv$) and mission duration, accounting for modeled timing, propulsion, and mass feasibility. We evaluate the framework across three benchmark environments, SOCRATES Minefield, Collision Cloud, and Random, with candidate-pool sizes $N\in\{15,18,22,25\}$ and target cardinalities $k\in\{3,5\}$. The experiments characterize how benchmark topology, prioritization strategy, and problem scale relate to sampling behavior and downstream mission performance. By separating candidate-subset generation from detailed trajectory optimization, the framework offers a topology-aware approach to focusing computational effort on a limited set of candidate ADR missions.
- Abstract（参考訳）: 軌道上の破片の継続的な成長は、地球近傍空間の安全と持続性を脅かし、アクティブデブリ除去(ADR)が重要な緩和戦略となる。
$k$のターゲットを$N$の候補から選択すると、組合せ探索空間が$\binom{N}{k}$となり、共同ターゲットの選択とミッションシーケンシングが計算的に要求される。
本稿では、軌道力学、重み付き軌道移動グラフ、ガウスボソンサンプリング(GBS)、多目的進化最適化を統合したトポロジ対応の量子古典的フレームワークを提案する。
7つのターゲットプライオリティ化戦略は、物理的帰結、軌道の持続性、接続リスク、ネットワーク中央性、コミュニティ構造、推論ソースファミリー、ランダム選択を表す。
GBSは、重み付きグラフから候補ターゲット部分集合を生成し、PyGMOベースの進化最適化を用いて評価され、総速度インクリメント(Δv$)とミッション持続時間を共同で最小化し、モデル化されたタイミング、推進、大量実現可能性を説明するサーベイシングシーケンスを特定する。
我々は、このフレームワークを3つのベンチマーク環境、SOCRATES Minefield、Collision Cloud、Randomで評価し、候補プールサイズは$N\in\{15,18,22,25\}$とターゲット濃度は$k\in\{3,5\}$である。
実験では、ベンチマークトポロジ、優先順位付け戦略、問題スケールが、サンプリング行動と下流ミッションのパフォーマンスにどのように関係しているかを特徴付ける。
詳細な軌道最適化から候補-サブセット生成を分離することにより、このフレームワークは、限られた候補ADRミッションに計算作業を集中させるトポロジ-アウェアアプローチを提供する。
関連論文リスト
- Reinforcement Learning-Guided Evolutionary Policy Optimization for Preference-Adjustable Heterogeneous Agile Earth Observation Satellite Scheduling [50.176885352114674]
異質なアジャイル地球観測衛星(AEOS)のスケジューリングには、タスクの選択、衛星の割り当て、および観測シークエンシングが必要である。
本稿では、優先調整可能な重み付け目的を用いた異種AEOSスケジューリングのための進化的ポリシー最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-25T12:16:28Z) - Multi-Objective Evolutionary Optimization of Chance-Constrained Multiple-Choice Knapsack Problems with Implicit Probability Distributions [40.96538452098451]
本稿では,Multiple-choice knapsack problem (MCKP) の重要かつ未解明な拡張について検討する。
問題の目標は、総コストを同時に最小化し、キャパシティ制約を満たす信頼性レベルを最大化することである。
合成ベンチマークと実世界の5Gネットワーク構成ベンチマークの実験は、NHILSがいくつかの最先端のマルチオブジェクトを一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2026-03-09T10:39:58Z) - Unbiased Dynamic Pruning for Efficient Group-Based Policy Optimization [60.87651283510059]
Group Relative Policy Optimization (GRPO) はLLM推論を効果的にスケールするが、計算コストは禁じている。
本研究では,非バイアス勾配推定を保ちながら動的プルーニングを可能にする動的プルーニングポリシー最適化(DPPO)を提案する。
刈り込みによって引き起こされるデータの空間性を軽減するため,ウィンドウベースの欲求戦略であるDense Prompt Packingを導入する。
論文 参考訳（メタデータ） (2026-03-04T14:48:53Z) - MAESTRO: Meta-learning Adaptive Estimation of Scalarization Trade-offs for Reward Optimization [56.074760766965085]
大規模言語モデル(LLM)の整合性のための効率的なパラダイムとしてグループ相対政策最適化が登場している。
我々は,報酬スカラー化を動的潜在ポリシーとして扱い,モデルの終端隠蔽状態を意味的ボトルネックとして活用するMAESTROを提案する。
本稿では,軽量コンダクタネットワークがメタリワード信号としてグループ相対的優位性を生かしてポリシと共進化する,双方向最適化フレームワークにおけるコンテキスト的帯域幅問題としてこれを定式化する。
論文 参考訳（メタデータ） (2026-01-12T05:02:48Z) - Neural Nonmyopic Bayesian Optimization in Dynamic Cost Settings [73.44599934855067]
LookaHESは、動的で履歴に依存したコスト環境のために設計された非心筋BOフレームワークである。
LookaHESは、$H$-Entropy Searchのマルチステップ版と、パスワイズサンプリングとニューラルポリシー最適化を組み合わせたものだ。
私たちの革新は、構造化されたドメイン固有のアクションスペースを効果的にナビゲートするために、大きな言語モデルを含むニューラルポリシーの統合です。
論文 参考訳（メタデータ） (2026-01-10T09:49:45Z) - Tree-Based Stochastic Optimization for Solving Large-Scale Urban Network Security Games [19.12896663564658]
都市ネットワークセキュリティゲーム(UNSG)は、都市道路ネットワーク上の限られたセキュリティリソースの戦略的割り当てをモデル化する。
大規模なUNSGにおけるナッシュ平衡(NE)の発見は、その大規模かつ活動的な空間のために困難である。
NEフィンディングとUNSGの要求のギャップを埋めるフレームワークであるTree-based Optimization (TSO)を紹介する。
論文 参考訳（メタデータ） (2025-11-13T08:25:34Z) - Enhancing Adversarial Transferability by Balancing Exploration and Exploitation with Gradient-Guided Sampling [82.52485740425321]
アドリアックは、ディープニューラルネットワークの堅牢性にとって重要な課題である。
敵攻撃の伝達性は、爆発(最大攻撃能力)と探索(クロスモデル一般化の促進)のジレンマに直面している
論文 参考訳（メタデータ） (2025-11-01T05:43:47Z) - A RankNet-Inspired Surrogate-Assisted Hybrid Metaheuristic for Expensive Coverage Optimization [5.757318591302855]
大規模カバレッジ最適化タスクを処理するために,RangeNetによるSurrogate支援ハイブリッドメタヒューリスティックを提案する。
我々のアルゴリズムは、EMVOPの最先端アルゴリズムを一貫して上回っている。
論文 参考訳（メタデータ） (2025-01-13T14:49:05Z) - Revisiting Space Mission Planning: A Reinforcement Learning-Guided Approach for Multi-Debris Rendezvous [15.699822139827916]
目的は、与えられたすべての破片を訪問して、ミッション全体のランデブーを最小限に抑えるシーケンスを最適化することである。
ニューラルネットワーク(NN)ポリシーが開発され、さまざまなデブリフィールドを持つシミュレーションされた宇宙ミッションで訓練される。
強化学習アプローチは計画効率を著しく向上させる。
論文 参考訳（メタデータ） (2024-09-25T12:50:01Z) - On Reward-Free RL with Kernel and Neural Function Approximations:
Single-Agent MDP and Markov Game [140.19656665344917]
エージェントが事前に特定された報酬関数を使わずに環境を徹底的に探索することを目的とした報酬のないRL問題について検討する。
関数近似の文脈でこの問題に取り組み、強力な関数近似器を活用する。
我々は、カーネルとニューラルファンクション近似器を用いた、証明可能な効率の良い報酬なしRLアルゴリズムを確立した。
論文 参考訳（メタデータ） (2021-10-19T07:26:33Z)
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。