Comparison of heuristic approaches to PCI planning for Quantum Computers
Notice bibliographique
Résumé
Quantum Computing (QC) provides the possibility to develop new approaches to tackle complex problems. Real-world applications, however, cannot yet be managed directly due to the limitation of present and near-future noisy intermediate-scale quantum (NISQ) computers. Decomposition into smaller and manageable subproblems is often needed to take advantage of QC even when using hybrid (classical-quantum) solvers or solvers that already apply decomposition techniques. In this paper, heuristic decomposition algorithms to solve the Physical Cell Identifier (PCI) problem in 4G cellular networks in a way suitable for QC are presented. The PCI problem can be viewed as a map coloring problem with additional constraints and has been represented in a Quadratic Unconstrained Binary Optimization (QUBO) model, a form that, for instance, a quantum annealing machine could crunch. We propose two strategies, with variable decomposition granularity. The first one solves the problem recursively through bisection (max-cut problem), to use only one qubit to represent the status of the objects, avoiding one-hot encoding and thus minimizing the qubit requirement. The second is a multi-step approach, finally solving sets of randomized modified max-k-cut problems of customizable qubit size. We executed the algorithms on real cellular networks of one of the main Italian national telecom operators (TIM). The results show that all proposed QUBO approaches can be effectively applied to very large problems with similar or better performance of the reference classical algorithm, paving the way for the use on NISQ computers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».