Quantum Adaptive Learning for Coverage Optimization in LEO Satellite Network
Notice bibliographique
Résumé
A broader coverage of low earth orbit (LEO) satellite networks has been an object of research interest in recent years and will remain to be of keen interest to both start-ups and established companies in the future. However, achieving optimal coverage remains a challenge today, as the satellites dynamically move along their orbit, requiring frequent constellation size and beamsteering adjustments. Such frequent adjustments and the number of variables that need to be optimized result in a high computational complexity. Aiming to attend to these concerns, the present study proposes a quantum adaptive learning (QAL) as a potential solution for coverage optimization of stochastic geometry-based LEO satellite networks with low computational complexity by taking advantage of quantum computing and adaptive learning. The QAL scheme utilizes quantum computing and a feedback mechanism to improve the learning network design and parameters for higher accuracy with low computational complexity. As a study case, considering the binomial point process (BPP) distribution of contact distance between satellites and user terminals, we use the QAL scheme to optimize the satellites' constellation size and their corresponding beamsteering at each time step to achieve maximum coverage probability. To evaluate performance, the simulation results of the QAL scheme are compared with those of quantum machine learning (QML), which lacks feedback and adaptive mechanisms. The results show that the proposed QAL outperforms QML by achieving higher coverage probability, higher accuracy, and faster convergence.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».