Routage de réseau de capteurs économes en énergie à grande échelle à l’aide d’une unité de processeur quantique

La conservation de l’énergie dans les réseaux de capteurs a été une question très critique dans la conception¹. Les méthodes classiques abordent normalement le problème en utilisant une approche ad hoc 2,3,4,5,6. Cela dit, ces méthodes émulent les nœuds de capteurs en tant qu’actifs intelligents gérés individuellement qui pourraient également coopérer pour servir à la fois les intérêts de l’individu et de la communauté. En raison de l’environnement instable dans lequel fonctionnent les capteurs, dans certains travaux, des algorithmes aléatoires sont introduits afin de capturer les incertitudes environnementales, tandis que dans d’autres, la bio-intelligence est empruntée pour concevoir des algorithmes heuristiques qui pourraient atteindre des résultats acceptables de bon sens⁷. Pour illustrer davantage, pour ces algorithmes aléatoires, d’une part, les incertitudes environnementales peuvent ne pas être aussi aléatoires que la séquence aléatoire générée par un processeur classique, d’autre part, même si les incertitudes environnementales sont absolument aléatoires, elles ne pourraient pas être capturées par le simulateur de processus aléatoire généré par un processeur classique ; Pour ces algorithmes de bio-intelligence, tout d’abord, aucune analyse mathématique rigoureuse n’a été dérivée pour faire fonctionner une preuve conceptuelle, deuxièmement, la convergence vers la vérité ou la limite de tolérance d’erreur ne peut être configurée qu’à partir d’une vérité terrain informée – bien qu’un nombre important de travaux dans la littérature aient démontré dans une certaine mesure que ces algorithmes heuristiques fonctionnent, D’une part, ces algorithmes sont analysés (et non simulés) par rapport à des scénarios d’utilisation bien définis, ils s’arrêtent à certains critères qui méritent encore d’être médités dans des recherches ultérieures, d’autre part, comme indiqué précédemment, la majorité des algorithmes n’ont pas été validés par rapport à la simulation logicielle qui peut être plus facilement déployée dans les microprocesseurs qui font d’un capteur son être⁸.

Nous ne prenons pas en compte l’apprentissage automatique (ML) ici car il doit utiliser l’analyse de données qui nécessite un volume relativement important de puissance de calcul qui n’est pas portable dans les dispositifs de détection⁹.

Pour répondre aux préoccupations mentionnées ci-dessus, nous fournissons un algorithme quantique hybride. L’algorithme est hybride en ce sens que le mécanisme de sélection de la tête de cluster est implémenté à l’aide d’un algorithme aléatoire classique lors des calculs de routage effectués à l’aide d’un processeur quantique une fois la topologie du réseau configurée. La méthode est justifiée comme suit : (1) Comme nous l’avons vu dans le premier paragraphe concernant les incertitudes environnementales, nous ne voulons pas nous efforcer d’appliquer un générateur de séquences quantiques pour capturer la dynamique environnementale parce qu’elle pourrait être historiquement traçable. La dynamique environnementale qui peut être historiquement traçable a été justifiée par divers travaux de recherche sur l’apprentissage automatique en science des réseaux. Pour l’étape actuelle, nous restons avec l’approche classique. (2) La méthode exacte qui s’appuie sur l’analyse mathématique abstraite garantit d’arriver à la vérité terrain. Jusqu’à présent, la physique expérimentale quantique a été soutenue de manière sophistiquée par les mathématiques physiques. De plus, des applications algorithmiques comme l’algorithme de Shor¹⁰ ont existé pour prouver cette théorie arrondie.

Une quantité adéquate d’études bibliographiques est fournie ci-dessous à des fins de comparaison. Le protocole HEESR proposé¹¹ a des mérites démontrables dans les résultats, mais les auteurs ont bien spécifié les paramètres de configuration de la simulation, par exemple, la fonction de distribution aléatoire exacte de la position du nœud, la justification correcte du pourcentage de tête d’amas p (0,2%) et le paramètre d’échelle pour la distribution du niveau d’énergie (1-2 joules) entre les nœuds a_i. Il a interdit à l’auteur de procéder à la duplication des expériences et à la comparaison. Le mécanisme de routage de puissance¹² utilise la méthode d’ajustement de courbe pour approximer les fonctions continues convergées à partir d’ensembles de données discrets obtenus à partir d’un espace d’échantillonnage non spécifié pour les déterminants qui ont un impact sur le processus de décision du routage réseau optimal. La méthode d’ajustement de courbe¹³ nécessite des informations préalables sur la topologie du réseau. Dans des circonstances réelles, il se peut que les informations préalables ne soient pas facilement disponibles. Même lorsqu’il existe des informations préalables, la topologie du réseau peut ne pas être suffisamment régulière pour pouvoir être mappée sur des courbes d’ajustement capables de faciliter les calculs dérivables. Suivant la même logique, le protocole DORAF¹⁴ n’a pas justifié comment et pourquoi emprunter la fonction de Boltzmann et la fonction logistique pour approximer les déterminants du réseau. Ismail et ^al.15 ont fourni une référence solide pour les futurs efforts de recherche sur la conception de protocoles de routage économes en énergie dans le réseau sous-marin.