Controlled Quantum Semantic Communication for Industrial CPS Networks
Notice bibliographique
Résumé
Computing-intensive semantic communication emphasizes context, enabling the extraction of task-specific semantics from the source data and the reconstruction of the intended meaning at the destination. In industrial cyber-physical systems (CPSs), this approach can optimize automation processes while minimizing communication overhead with efficient bandwidth use in environments where machines, sensors, and controllers must communicate frequently. By integrating quantum communication with computing-empowered semantic methods, we can achieve unprecedented efficiency and security in task-oriented data transmission, effectively safeguarding against eavesdropping and other attacks. This paper presents a controlled quantum semantic communication (QSC) framework that leverages semantic extraction for anomaly detection in industrial CPS networks and employs controlled quantum communication to send the data securely with high semantic fidelity. A machine learning model extracts semantic information from images as the hull point data representing defective regions as pixel points. This data is then transmitted with high fidelity using quantum communication with controlled quantum state preparation. We use discrete- and continuous-variable states to simulate quantum binary phaseshift keying (BPSK) and$M$-ary pulse position modulation ($M$-PPM), respectively. At the receiver, these quantum states are measured using optimal quantum decision-making and converted back into the hull point data, thereby generating the anomaly map. This map is overlaid on a template image to highlight defect positions, which can be used for industrial quality control. Furthermore, we simulate the controlled QSC framework (BPSK and$M$-PPM) across a diverse set of anomaly detection examples and evaluate the QSC performance in industrial CPS networks.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| 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 | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».