PyTorchKR Papers

최신 논문

총 6편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.25480v2cs.MA

Rate-Aware Quantum-Inspired Trajectory Learning for Interference-Limited Multi-UAV Networks

Placing unmanned aerial vehicles (UAVs) as aerial base stations is non-convex and combinatorial, so practical methods first discretize the continuous airspace into a finite set of candidate positions---a uniform grid or clustering centroids---and optimize over that set. Built from Euclidean distance alone, the candidate set is channel-blind: it ignores line-of-sight probability and the co-channel interference that limits achievable rate under full frequency reuse. No optimizer can select a position the candidate set omits, so good locations the geometry missed are lost before the search begins. We propose Rate-Aware Quantum-Assisted Graph Condensation (RA-QAGC), a two-stage framework that makes the candidate set itself the object of optimization. The first stage constructs it by annealing a cost that embeds tier-weighted achievable rate, mean co-channel interference, and an explicit minimum-rate penalty, yielding a compact, mobility-feasible waypoint graph. The second stage learns trajectories over that graph with decentralized independent Q-learning agents, replacing a centralized joint-action table with one compact table per UAV. RA-QAGC improves priority-tier throughput by 21--54\% over seven baselines, including recent graph-neural and deep Q-network schemes, at no significant cost in aggregate throughput, and the margin widens as the fleet densifies. We additionally examine the quantum-inspired acceptance rule that recent aerial-networking work advocates, and report that its tunnelling floor confers no measurable advantage over classical simulated annealing at any fleet size tested, while annealing itself clearly outperforms greedy and random placement.

arXiv:2607.24288v1cs.CV

확장 가능한 양자 향상 의료 이미지 분할을 위한 슈퍼픽셀 기반 QUBO

Superpixel-Based QUBO for Scalable Quantum-Enhanced Medical Image Segmentation

이차 무제약 이진 최적화(QUBO)는 의료 컴퓨팅 문제를 위한 강력한 프레임워크로 부상했다. 이진 결정 변수는 임상적 선택을 자연스럽게 표현하므로, QUBO 공식화는 양자 어닐링(quantum annealing) 하드웨어에 잘 맞다. 그러나 근본적인 확장성(scalability) 과제가 실용적 배포를 제한한다. 문제 크기는 입력 차원에 따라 급격히 증가하여 계산 병목을 만들고, 응용을 단순화된 시나리오로 제한한다. 본 논문은 계층적 문제 축소를 통해 이 과제를 해결하며, 이는 의료 이미지 분할에서 입증된다. 픽셀 수준 QUBO 공식화는 256×256 이미지에 65,000개 이상의 변수를 생성하여, 기존 접근법이 42×42 해상도로 다운샘플링하고 픽셀 정보의 97%를 버리도록 만든다. simple linear iterative clustering(SLIC)을 사용해 픽셀을 지각적으로 의미 있는 영역으로 묶는 슈퍼픽셀 기반 QUBO 프레임워크를 제안하고, min-cut과 smoothness 목적함수를 결합한 영역 인접 그래프(RAG) 위에서 분할을 QUBO로 공식화한다. INbreast 유방촬영 유방암 영상에 대한 검증 결과, 분할 품질이 4.2% 향상되었음(평균 IoU 0.76 대 0.73)을 보였으며, 계산 속도는 33배 향상(0.67초 대 21.97초), 문제 크기는 97.3% 감소(1764에서 48 변수)하였다. 이는 모두 다운샘플링된 버전이 아닌 전체 해상도 영상을 처리하면서 달성되었다. 축소된 문제 크기는 또한 현재 양자 어닐러의 연결성 한계 내에 잘 들어맞아, 역사적으로 양자 하드웨어에서 픽셀 수준 QUBO 분할의 직접 배포를 막아온 임베딩(embedding) 오버헤드를 제거한다.

arXiv:2606.24561v1cs.CV

동적 구간 인코딩과 사전 균형 QUBO 재구성을 통한 양자 CT

Quantum CT via Dynamic Interval Encoding and Prior-Balanced QUBO Reconstruction

이차 비제약 이진 최적화(QUBO) 기반 양자 컴퓨터 단층촬영(CT)은 양자 어닐링 및 하이브리드 양자-고전 솔버를 위해 재구성 문제를 이진 이차 문제로 변환한다. 그러나 그레이스케일 CT의 경우, 이미지 인코딩은 이진 변수 예산의 제약을 받는다. 고정된 전역 비트 플레인 인코딩은 회색조 정밀도가 높아질수록 QUBO 크기와 결합 복잡도를 증가시키는 반면, 저비트 인코딩은 양자화 오류를 유발한다. 본 논문에서는 동적 구간 인코딩과 사전 균형 최적화를 결합한 QUBO 기반 그레이스케일 CT 재구성 프레임워크를 제안한다. 각 정제 라운드에서는 현재 추정값 주변의 국소 회색조 구간 내 활성 픽셀만을 인코딩하며, 경계 도달 유도 갱신 규칙을 통해 탐색 확장과 국소 정제 사이를 적응적으로 전환한다. 최적화 안정성을 향상시키기 위해, 최종 QUBO를 구성하기 전에 투영 도메인 데이터 일관성과 에지 보존 이차 사전(prior)을 균형 있게 결합한다. 희소 뷰 및 제한 각도 팬빔 CT 실험 결과, 제안된 방법은 평가된 해석적·반복적·변분적·표현 기반 기준선들에 비해 구조와 회색조 분포를 더욱 충실하게 복원하는 것으로 나타났다. 표현력 분석 및 절제 연구(ablation study)를 통해 이러한 성능 향상이 주로 동적 국소 인코딩을 통한 효과적인 회색조 표현과 더욱 안정적인 데이터 충실도-사전 결합에서 비롯됨을 확인하였다. D-Wave 하이브리드 이진 이차 모델(BQM) 솔버를 활용한 실험을 통해, 제안된 정식화가 하드웨어 기반 하이브리드 양자-고전 백엔드에서 실행 가능함을 추가로 검증하였다.

arXiv:2606.18503v1cs.LG

정확한 잔존 수명 예측을 위한 양자 어닐링 강화학습

Quantum Annealing Enhanced Reinforcement Learning for Accurate Remaining Useful Lifetime Prediction

예지 보전을 위한 잔존 수명(RUL) 추정에서 비선형 열화와 고차원 비볼록 탐색 공간의 한계를 줄이기 위해, 양자 어닐링의 샘플링과 Q-learning을 결합한 QAQL 프레임워크를 제안하고 각 Q-값 갱신을 QUBO로 인코딩해 D-Wave Advantage에서 해결합니다. NASA C-MAPSS와 장치 플릿 예지 보전 벤치마크에서 6가지 오차 지표 기준으로 고전·양자 기준선을 통계적으로 유의하게 능가했습니다.

arXiv:2606.17077v1physics.chem-ph

엔지니어링된 모델-양자 프레임워크를 통한 제한된 실제 데이터로부터의 포괄적 pKa 데이터 증강

Comprehensive pKa Data Augmentation from Limited Real Data through an Engineered Models-Quantum Framework

양성자 해리 상수(pKa)는 기능성 분자 발견 및 분자 모델링에 있어 중요합니다. 현재까지 확립된 가장 큰 실험적 pKa 데이터베이스인 iBonD를 기반으로, 본 연구진과 다른 연구자들은 머신러닝 기반 경험적 예측 및 고정밀 에너지 계산을 포함한 여러 방법을 개발해 왔습니다. 이러한 기반에도 불구하고, 고품질 pKa 데이터의 신속한 증강은 여전히 근본적으로 제한되어 있습니다. 본 연구의 일환으로, 우리는 광범위하게 최적화된 머신러닝 모델 컬렉션을 사용하여 레이블이 없는 분자 데이터셋에 대해 대규모 회귀 기반 pKa 예측을 수행했습니다. 결과에 따르면, 레이블이 없는 분자 데이터셋의 특징(feature) 분포로 인해 pKa 데이터 분포는 정규성을 띠지만 꼬리 영역(tail-region) 샘플은 극도로 희소한 것으로 나타났습니다. 이러한 데이터 증강은 전반적인 데이터 가용성과 예측 모델링을 향상시키는 데 매우 가치가 있지만, 광범위한 스펙트럼의 pKa 특성을 가진 분자를 효율적으로 발견하는 데에는 여전히 부족합니다. 이를 해결하기 위해, 우리는 광대한 화학 공간에서 희소한 pKa 특성을 가진 분자의 목표 지향 생성을 탐구합니다. 분자 생성을 위한 기존의 연속 잠재 공간 VAE-RNN 방법은 안정성이 부족하고 희소 데이터를 보완하는 데 있어 명확한 이점을 보이지 못한다는 점을 고려하여, 우리는 양자 보조 희소-pKa 분자 생성 방식을 설계하고 구현했습니다. 타당성은 시뮬레이션된 양자 어닐러에서 검증되었으며, 물리적 코히어런트 이징 머신(Coherent Ising Machines, CIMs)에서는 우수한 극값 샘플링이 추가로 달성되었습니다. (계속)

arXiv:2606.12478v1cs.LG

볼츠만 어텐션: 협력적 어텐션을 위한 학습 가능한 이징 결합

Boltzmann Attention: Learnable Ising Couplings for Cooperative Attention

기존 어텐션(attention)의 위치 간 상호작용 부재를 해결하기 위해 학습 가능한 쌍대 결합(pairwise couplings)을 갖는 이징 모델(Ising model) 기반의 볼츠만 어텐션(Boltzmann attention)을 제안한다. 문자 수준 언어 모델링 및 합성 괄호 일치 작업에서 표준 소프트맥스 어텐션을 상회하는 성능을 입증하였으며, 시퀀스 길이가 길어질수록 효과가 증대됨을 확인했다.