Quantum Computing Empowered Metaverse: An Approach for Resource Optimization
Notice bibliographique
Résumé
Metaverse refers to the intersection of parallel virtual worlds with their physical counterparts by allowing users to interact with virtual people, objects, and environments. Resource allocation in various aspects of Metaverse domains, called as MetaSlices hereinafter, is a crucial optimization research problem. To serve this purpose, we consider a MetaSlice framework with the notion of sharing resources among common functions and enable placing time-sensitive services at the edge of multi-tier architecture in proximity to users. Unfortunately, the classical Integer Linear Programming is inappropriate for such heavily constrained optimization problem due to the extensive running time and memory. Hence, we model a novel Quadratic Unconstrained Binary Optimization (QUBO) formulation to simultaneously optimize resources and secure Quality of Service for MetaSlices as a paradigm shift towards quantum computing. Furthermore, we propose to employ a hybrid classical-quantum WSQA to optimize resource under uncertainty, offer ultra-low running time, and increase service acceptance rate/scalability in resource-hungry and dynamic Metaverse system. Extensive simulation results demonstrate that WSQA outperforms other classical and standalone quantum annealing approaches, even with the limited availability of qubits (quantum resources). Thus, this research paves the way to decrease massive resource fabrication costs and upgrade profit margin for Metaverse Internet Service Providers, while simultaneously providing real-time services for Metaverse users.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».