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

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}2^{、3、4、5、6}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。