Summary

量子プロセッサユニットを用いた大規模エネルギー効率センサネットワークルーティング

Published: September 08, 2023
doi:

Summary

この研究では、量子プロセッサ ユニットを使用して、ネットワークの寿命を最大化するために文献の従来の方法よりも優れたパフォーマンスを発揮するさまざまなトラフィック ダイナミクスのルートを計算する方法を提供します。

Abstract

古典コンピュータと量子プロセッサのハイブリッド利用であるセンサネットワークの省エネ手法は、古典コンピュータを用いたヒューリスティックアルゴリズムよりも優れた性能を発揮することが証明されています。この原稿では、この方法の重要性に関する技術的な背景が提示され、正当化されます。次に、実験手順を操作シーケンスで示し、必要に応じてイラストを交えます。この手法は、ランダムに生成されたネットワーク トポロジのサンプル セット全体で肯定的な結果によって検証されています。この手法の実験結果の成功は、センサーネットワークの寿命最大化問題に対するより良いアプローチを提供し、現在の最先端の量子プロセッサが、文献の現在の方法を上書きするメリットを持つ大規模な実用的な工学的問題を解決できることを実証しました。言い換えれば、量子アドバンテージを最大限活用することができます。概念実証の段階を超えて、実現可能性の証明にまで至っています。

Introduction

センサネットワークの省エネルギー化は、設計1において非常に重要な課題でした。古典的な方法は通常、アドホックなアプローチ23456を使用して問題に取り組みます。とはいえ、これらの方法は、個人とコミュニティの両方の利益に奉仕するために協力できる、個別に管理されたインテリジェントな資産としてセンサーノードをエミュレートします。センサーが機能する不安定な環境のため、環境の不確実性を捉えるためにランダムなアルゴリズムが導入される作品もあれば、常識的に受け入れられる結果を達成できるヒューリスティックアルゴリズムを考案するためにバイオインテリジェンスが借用される作品もあります7。さらに説明すると、これらのランダムアルゴリズムでは、一方では、環境の不確実性は古典CPUによって生成されたランダムシーケンスほどランダムではない可能性があり、他方では、環境の不確実性が完全にランダムであっても、古典CPUによって生成されたランダムプロセスシミュレータではキャプチャできません。これらのバイオインテリジェンスアルゴリズムでは、まず第一に、概念的な証明を機能させるための厳密な数学的分析は導出されておらず、第二に、真理への収束またはエラー許容範囲の境界は、情報に基づいたグラウンドトゥルースが与えられてのみ構成できます。 一つには、これらのアルゴリズムは、明確に定義されたユースケースシナリオに対して分析(シミュレートされていない)であり、さらなる研究で熟考する価値のある特定の基準で停止し、もう一つは、前述のように、アルゴリズムの大部分は、センサーをその存在にするマイクロプロセッサにより容易に展開できるソフトウェアシミュレーションに対して検証されていません8。

機械学習(ML)は、センサーデバイスでは移植できない比較的大量の計算能力を必要とするデータ分析を採用する必要があるためここでは考慮しません9。

上記の懸念に対処するために、ハイブリッド量子アルゴリズムを提供します。このアルゴリズムは、ネットワーク トポロジがセットアップされると、量子プロセッサを使用して実行されるルーティング計算中に、クラスター ヘッド選択メカニズムが古典的なランダム アルゴリズムを使用して実装されるという点でハイブリッドです。(1)環境の不確実性に関する最初のパラグラフで述べたように、環境のダイナミクスを捉えるために量子シーケンス発生器を適用することは、歴史的に追跡可能である可能性があるため、これ以上努力したくありません。歴史的に追跡可能な環境ダイナミクスは、ネットワーク科学におけるさまざまな機械学習研究によって正当化されてきました。現段階では、古典的なアプローチにとどまります。(2)抽象的な数学的分析に依存する正確な方法は、グラウンドトゥルースに到達することを保証します。量子実験物理学は、これまで物理数学によって精緻に支えられてきました。さらに、この丸みを帯びた理論を証明するために、Shor アルゴリズム10 のようなアルゴリズム アプリケーションが存在しています。

比較のために、十分な量の文献調査を以下に示します。11 で提案されたHEESRプロトコルは、結果において実証可能なメリットがあるが、著者らは、例えば、ノード位置の正確なランダム分布関数、クラスターヘッドパーセンテージp(0.2%)の適切な正当化、ノード間のエネルギー準位の分布(1-2ジュール)のスケーリングパラメータなど、シミュレーション構成パラメータを十分に指定a_i。著者が実験を複製し、比較を行うことを禁じた。電力ルーティング機構12 は、曲線フィッティング法を採用して、最適ネットワークルーティングの決定プロセスに影響を与える行列式について、不特定のサンプル空間から得られた離散データセットから収束連続関数を近似する。曲線フィッティング法13 は、ネットワークトポロジに関する事前情報を必要とする。実際の状況では、事前の情報がすぐに入手できない場合があります。事前情報が存在していても、ネットワーク トポロジは、導出可能な計算を容易にする近似曲線にマッピングできるほど規則的ではない可能性があります。同じ論理に従って、DORAFプロトコル14 は、ネットワーク行列式を近似するためにボルツマン関数とロジスティック関数を借用する方法と理由を正当化していません。Ismailら15 は、水中ネットワークにおけるエネルギー効率の高いルーティングプロトコル設計に関する将来の研究努力のための健全な参考資料を提供しました。

Protocol

1. Dwave Ocean Environmentのセットアップ 次のリンクから海洋ツールをダウンロードしてインストールします https://docs.ocean.dwavesys.com/en/stable/overview/install.htmlターミナルで「 python -m venv ocean」と入力します。 ターミナルで、 ocean/bin/activateと入力します( 図1)。 ターミナルで「git clone https://github.com/dwavesyst…

Representative Results

1つの実行サンプルの結果を 表2、 表3、および 表4に示します。データの 3 つのバッチの詳細データセットは、 Supplementary Data 1 フォルダーにあります。 データセット 1 半径50mの円形エリアに198ノード ハイブリッド?…

Discussion

現在の最先端の商用量子プロセッサは、あらゆるネットワークトポロジの計算問題で使用できます1。量子プロセッサのアプリケーションは、量子プロセッサが実装できた物理量子ビットの数に制約されません。

センサネットワークの長寿命化設計では、量子プロセッサを用いることで、ネットワーク寿命をさらに延ばす手法が進歩した結果となりまし…

Disclosures

The authors have nothing to disclose.

Acknowledgements

この研究は、英国工学物理科学研究評議会(EPSRC)の助成金番号EP/W032643/1の支援を受けています。

Materials

Dell Laptop Dell N/A
Ubuntu 18.04.6 LTS Canonical Ltd 18.04.6 LTS
Python3.8 Python Software Foundation 3.8.0
Dwave QPU Dwave https://docs.ocean.dwavesys.com/en/stable/overview/install.html

References

  1. Chen, J., Date, P., Chancellor, N., Atiquazzaman, M., Cormac, S. Controller-based energy-aware wireless sensor network routing using quantum algorithms. IEEE Transactions on Quantum Engineering. 3, 1-12 (2022).
  2. Lin, H., Uster, H. Exact and heuristic algorithms for data-gathering cluster-based wireless sensor network design problem. IEEE/ACM Transactions on Networking. 22 (3), 903-916 (2014).
  3. Zhou, Y., Wang, N., Xiang, W. Clustering hierarchy protocol in wireless sensor networks using an improved PSO algorithm. IEEE Access. 5, 2241-2253 (2017).
  4. Seah, W. K. G., Mak, N. H. How long is the lifetime of a wireless sensor network. , 763-770 (2009).
  5. Salahud din, M., Rehman, M. A. U., Ullah, R., Park, C., Kim, B. S. Towards network lifetime enhancement of resource constrained IoT devices in heterogeneous wireless sensor networks Sensors. 20, 4156 (2020).
  6. Wu, W., Xiong, N., Wu, C. Improved clustering algorithm based on energy consumption in wireless sensor networks. IET Network. 6 (3), 7-53 (2017).
  7. Kumar, N., Kumar, V., Ali, T., Ayaz, M. Prolong network lifetime in the wireless sensor networks: An improved approach. Arabian Journal for Science and Engineering. 46, 3631-3651 (2021).
  8. Faris, H., Aljarah, I., Al-Betar, M. A., Mirjalili, S. Grey wolf optimizer: A review of recent variants and applications. Neural Computing and Applications. 30, 413-435 (2018).
  9. Kaur, J., Arifkhan, M., Iftikhar, M., Imran, M., Haq, A. Machine learning techniques for 5G and beyond. IEEEAccess. 9, 23472-23488 (2021).
  10. Shor, P. Polynomial-time algorithms for prime factorization and discrete logarithms on a quantum computer. SIAMJournalonComputing. 26 (5), 1484-1509 (1997).
  11. Qabouche, H., Sahel, A., Badri, A. Hybrid energy efficient static routing protocol for homogeneous and heterogeneous large scale WSN. Wireless Networks. 27, 575-587 (2021).
  12. Farooq, M., et al. POWER: probabilistic weight-based energy-efficient cluster routing for large-scale wireless sensor networks. The Journal of Supercomputing. 78, 12765-12791 (2022).
  13. Maddams, W. F. The scope and limitations of curve fitting. Applied Spectroscopy. 34 (3), 245-267 (1980).
  14. Wang, X., et al. A dynamic opportunistic routing protocol for asynchronous duty-cycled WSNs. IEEE Transactions on Sustainable Computing. , (2023).
  15. Ismail, A. S., Wang, X., Hawbani, A., Alsamhi, S., Aziz, S. Routing protocols classification for underwater wireless sensor networks based on localization and mobility. Wireless Networks. 28, 797-826 (2022).
  16. Garcia-Martin, E., Rodrigues, C. F., Riley, G., Grahn, H. Estimation of energy consumption in machine learning. Journal of Parallel Distributed Computing. 134, 75-88 (2019).
  17. Egger, D. J., et al. Quantum computing for finance: State-of-the-art and future prospects. IEEE Transactions on Quantum Engineering. 1, 1-24 (2020).
  18. Rasool, R. U., Ahmad, H. F., Rafique, W., Qayyum, A., Qadir, J. Quantum computing for healthcare : A review. TechRxiv. , (2021).

Play Video

Cite This Article
Chen, J. Large Scale Energy Efficient Sensor Network Routing Using a Quantum Processor Unit. J. Vis. Exp. (199), e64930, doi:10.3791/64930 (2023).

View Video