Quantum Deep Reinforcement Learning for URLLC Satellite-Air-Ground Integrated Networks With Digital Twin Applications
Notice bibliographique
Résumé
In this paper, we explore a maritime 6G-enhanced satellite-air-ground integrated network (SAGIN) that incorporates a UAV-carried reconfigurable intelligent surface (UCR) relay, and low Earth orbit (LEO) satellites equipped with mobile edge computing (MEC) facilities. The system captures dynamic maritime conditions, including ultra-reliable low-latency communication (URLLC) user mobility and UCR movements across harbor environments. The primary objective is to minimize the total system cost by jointly optimizing task offloading decisions, bandwidth allocation, local computational resource distribution, transmission power control, and caching management, while satisfying strict latency and resource constraints. To address this, we formulate a mixed-integer nonlinear programming (MINLP) problem that captures the complexity of resource optimization in the maritime 6G-enhanced SAGIN. Two quantum-enhanced deep reinforcement learning algorithms, namely quantum-enhanced deep deterministic policy gradient (QEDDPG) and quantum-enhanced proximal policy optimization (QEPPO), are proposed to solve the formulated MINLP problem. Moreover, higher-order quantum feature encoding and quantum neural networks are utilized to accelerate learning and enhance decision-making. Simulation results demonstrate that QEDDPG and QEPPO significantly outperform conventional deep reinforcement learning methods by achieving lower system costs and more efficient resource allocation. These findings shows that the potential of quantum-driven reinforcement learning for enabling scalable, efficient, and intelligent resource management in future 6G-enhanced SAGINs.
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 | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».