توجيه شبكة مستشعر موفر للطاقة على نطاق واسع باستخدام وحدة معالج كمومي

كان الحفاظ على الطاقة في شبكات الاستشعار قضية حرجة للغاية في التصميم¹. عادة ما تعالج الطرق الكلاسيكية المشكلة باستخدام نهج مخصص^{2،3،4،5،6}. ومع ذلك ، فإن هذه الأساليب تحاكي عقد المستشعر كأصول ذكية مدارة بشكل فردي يمكن أن تتعاون أيضا لخدمة مصالح الفرد والمجتمع. نظرا للبيئة المتقلبة حيث تعمل المستشعرات ، في بعض الأعمال ، يتم إدخال خوارزميات عشوائية من أجل التقاط أوجه عدم اليقين البيئية ، بينما في حالات أخرى ، يتم استعارة الذكاء الحيوي لابتكار خوارزميات إرشادية يمكن أن تحقق نتائج مقبولة من الفطرة^{السليمة 7}. لمزيد من التوضيح ، بالنسبة لتلك الخوارزميات العشوائية ، من ناحية ، قد لا تكون أوجه عدم اليقين البيئية عشوائية مثل التسلسل العشوائي الناتج عن وحدة المعالجة المركزية الكلاسيكية ، من ناحية أخرى ، حتى لو كانت أوجه عدم اليقين البيئية عشوائية تماما ، لا يمكن التقاطها بواسطة محاكي العملية العشوائية الناتجة عن وحدة المعالجة المركزية الكلاسيكية ؛ بالنسبة لخوارزميات الذكاء الحيوي هذه ، أولا وقبل كل شيء ، لم يتم اشتقاق أي تحليل رياضي صارم لعمل دليل مفاهيمي ، وثانيا ، لا يمكن تكوين التقارب إلى الحقيقة أو حدود التسامح مع الخطأ إلا في ضوء حقيقة أرضية مستنيرة – على الرغم من أن كمية كبيرة من الأعمال في الأدب قد أثبتت إلى حد ما أن هذه الخوارزميات الإرشادية تعمل ، لسبب واحد ، يتم تحليل هذه الخوارزميات (وليس محاكاة) مقابل سيناريوهات حالة استخدام محددة جيدا ، فهي تتوقف عند معايير معينة لا تزال تستحق التفكير في مزيد من البحث ، لسبب آخر ، كما قيل من قبل ، لم يتم التحقق من صحة غالبية الخوارزميات مقابل محاكاة البرامج التي يمكن نشرها بسهولة أكبر في المعالجات الدقيقة التي تجعل المستشعر في كونه⁸.

نحن لا نعتبر التعلم الآلي (ML) هنا لأنه يحتاج إلى استخدام تحليلات البيانات التي تتطلب حجما كبيرا نسبيا من الطاقة الحسابية غير المحمولة في أجهزة الاستشعار⁹.

لمعالجة المخاوف المذكورة أعلاه ، نقدم خوارزمية كمومية هجينة. الخوارزمية مختلطة من حيث أن آلية اختيار رأس الكتلة يتم تنفيذها باستخدام خوارزمية عشوائية كلاسيكية أثناء حسابات التوجيه التي يتم إجراؤها باستخدام معالج كمي بمجرد إعداد طوبولوجيا الشبكة. الطريقة مبررة على النحو التالي: (1) كما تمت مناقشته في الفقرة الأولى فيما يتعلق بعدم اليقين البيئي ، لا نريد أن نسعى أكثر لتطبيق مولد تسلسل كمي لالتقاط الديناميكية البيئية لأنه قد يكون من الممكن تتبعه تاريخيا. تم تبرير الديناميكية البيئية التي يمكن تتبعها تاريخيا من خلال العديد من أعمال أبحاث التعلم الآلي في علوم الشبكات. بالنسبة للمرحلة الحالية ، نبقى مع النهج الكلاسيكي. (2) الطريقة الدقيقة التي تعتمد على التحليل الرياضي المجرد تضمن الوصول إلى الحقيقة الأساسية. تم دعم الفيزياء التجريبية الكمومية حتى الآن بشكل متطور من خلال الرياضيات الفيزيائية. علاوة على ذلك ، توجد تطبيقات خوارزمية مثل خوارزمية Shor¹⁰ لإثبات هذه النظرية المستديرة.

يتم توفير قدر كاف من مسح الأدبيات أدناه للمقارنة. بروتوكول HEESR المقترح¹¹ له مزايا يمكن إثباتها في النتائج ، لكن المؤلفين حددوا معلمات تكوين المحاكاة جيدا ، على سبيل المثال ، وظيفة التوزيع العشوائي الدقيقة لموضع العقدة ، والتبرير المناسب لنسبة رأس الكتلة p (0.2٪) ، ومعلمة القياس لتوزيع مستوى الطاقة (1-2 جول) بين العقد a_i. ومنعت المؤلف من المضي قدما في تكرار التجارب وإجراء المقارنة. تستخدم آلية توجيه الطاقة¹² طريقة تركيب المنحنى لتقريب الوظائف المستمرة المتقاربة من مجموعات البيانات المنفصلة التي تم الحصول عليها من مساحة عينة غير محددة للمحددات التي تؤثر على عملية اتخاذ القرار لتوجيه الشبكة الأمثل. تتطلب طريقة تركيب المنحنى¹³ معلومات مسبقة عن طوبولوجيا الشبكة. قد لا يكون للظروف الحقيقية معلومات مسبقة متاحة بسهولة. حتى في حالة وجود معلومات مسبقة ، قد لا تكون طوبولوجيا الشبكة منتظمة بما يكفي لتتمكن من تعيينها على منحنيات مناسبة قادرة على تسهيل الحساب المشتق. باتباع نفس المنطق ، لم يبرر بروتوكول DORAF¹⁴ كيف ولماذا استعارة وظيفة بولتزمان والوظيفة اللوجستية لتقريب محددات الشبكة. قدم Ismail et ^al.15 مرجعا سليما للمساعي البحثية المستقبلية في تصميم بروتوكول التوجيه الموفر للطاقة في الشبكة تحت الماء.