Energieeffizientes Sensornetzwerk-Routing in großem Maßstab mit einer Quantenprozessoreinheit

Die Energieeinsparung in Sensornetzwerken war ein sehr kritisches Thema in Design¹. Klassische Methoden gehen das Problem in der Regel mit einem Ad-hoc-Ansatz^an 2,3,4,5,6. Diese Methoden emulieren jedoch die Sensorknoten als individuell verwaltete intelligente Assets, die auch zusammenarbeiten könnten, um sowohl den Interessen des Einzelnen als auch der Gemeinschaft zu dienen. Aufgrund des volatilen Umfelds, in dem Sensoren arbeiten, werden in einigen Arbeiten zufällige Algorithmen eingeführt, um die Unsicherheiten in der Umgebung zu erfassen, während in anderen die Biointelligenz verwendet wird, um heuristische Algorithmen zu entwickeln, die mit gesundem Menschenverstand akzeptable Ergebnisse erzielen könnten⁷. Zur weiteren Veranschaulichung: Für diese Zufallsalgorithmen sind die Umgebungsunsicherheiten einerseits möglicherweise nicht so zufällig wie die von einer klassischen CPU erzeugte Zufallssequenz, andererseits, selbst wenn die Umgebungsunsicherheiten absolut zufällig sind, können sie nicht von dem von der klassischen CPU erzeugten Zufallsprozesssimulator erfasst werden. Für diese Bio-Intelligenz-Algorithmen wurde erstens keine rigorose mathematische Analyse abgeleitet, um einen konzeptionellen Beweis zu erbringen, zweitens kann die Konvergenz zur Wahrheit oder die Fehlertoleranzgrenze nur unter Berücksichtigung einer informierten Grundwahrheit konfiguriert werden – obwohl eine beträchtliche Anzahl von Arbeiten in der Literatur bis zu einem gewissen Grad gezeigt hat, dass diese heuristischen Algorithmen funktionieren. Zum einen werden diese Algorithmen anhand klar definierter Anwendungsszenarien analysiert (nicht simuliert), sie hören bei bestimmten Kriterien auf, über die es sich in der weiteren Forschung noch zu überlegen lohnt, zum anderen wurde ein Großteil der Algorithmen, wie bereits erwähnt, nicht gegen Softwaresimulationen validiert, die leichter in den Mikroprozessoren eingesetzt werden können, die einen Sensor zu seinem Wesen machen⁸.

Maschinelles Lernen (ML) wird hier nicht berücksichtigt, da es Datenanalysen einsetzen muss, die eine relativ große Menge an Rechenleistung erfordern, die in Sensorgeräten nicht tragbar ist⁹.

Um die oben genannten Bedenken auszuräumen, stellen wir einen hybriden Quantenalgorithmus zur Verfügung. Der Algorithmus ist insofern hybrid, als der Mechanismus zur Auswahl des Clusterkopfes mithilfe eines klassischen Zufallsalgorithmus während der Routing-Berechnungen implementiert wird, die mit einem Quantenprozessor durchgeführt werden, sobald die Netzwerktopologie eingerichtet ist. Die Methode wird wie folgt begründet: (1) Wie im ersten Absatz bezüglich der Umweltunsicherheiten diskutiert, wollen wir nicht weiter versuchen, einen Quantensequenzgenerator anzuwenden, um die Umweltdynamik zu erfassen, da sie historisch rückverfolgbar sein könnte. Die historisch nachvollziehbare Umweltdynamik wurde durch verschiedene Forschungsarbeiten im Bereich des maschinellen Lernens in der Netzwerkwissenschaft begründet. Für die aktuelle Phase bleiben wir beim klassischen Ansatz. (2) Die exakte Methode, die sich auf eine abstrakte mathematische Analyse stützt, garantiert, dass man zur Grundwahrheit gelangt. Die quantenexperimentelle Physik wurde bisher von der physikalischen Mathematik in hohem Maße unterstützt. Darüber hinaus gibt es Algorithmusanwendungen wie den Shor-Algorithmus¹⁰ , um diese abgerundete Theorie zu beweisen.

Im Folgenden finden Sie eine ausreichende Menge an Literaturübersicht zum Vergleich. Das vorgeschlagene HEESR-Protokoll¹¹ hat nachweisbare Vorzüge in Bezug auf die Ergebnisse, aber die Autoren haben die Konfigurationsparameter der Simulation gut spezifiziert, z. B. die genaue Zufallsverteilungsfunktion der Knotenposition, die richtige Ausrichtung des Clusterkopfprozentsatzes p (0,2%) und den Skalierungsparameter für die Verteilung des Energieniveaus (1-2 Joule) zwischen den Knoten a_i. Es untersagte dem Verfasser, die Versuche weiter zu duplizieren und den Vergleich durchzuführen. Der Power-Routing-Mechanismus¹² verwendet das Kurvenanpassungsverfahren, um konvergente kontinuierliche Funktionen aus diskreten Datensätzen zu approximieren, die aus einem nicht spezifizierten Sample-Raum für Determinanten erhalten wurden, die den Entscheidungsprozess des optimalen Netzwerk-Routings beeinflussen. Das Kurvenanpassungsverfahren¹³ erfordert vorherige Informationen über die Netzwerktopologie. Unter realen Umständen sind möglicherweise keine Vorabinformationen verfügbar. Selbst wenn Vorabinformationen vorhanden sind, ist die Netzwerktopologie möglicherweise nicht regelmäßig genug, um auf Anpassungskurven abgebildet werden zu können, die eine ableitbare Berechnung ermöglichen. Der gleichen Logik folgend, hat das DORAF-Protokoll¹⁴ nicht begründet, wie und warum die Boltzmann-Funktion und die Logistikfunktion zur Approximation der Netzwerkdeterminanten verwendet werden sollen. Ismail et ^al.15 haben eine solide Referenz für zukünftige Forschungsbemühungen zur energieeffizienten Gestaltung von Routing-Protokollen im Unterwassernetzwerk geliefert.