Roteamento de rede de sensores energeticamente eficiente em larga escala usando uma unidade de processador quântico

A conservação de energia em redes de sensores tem sido uma questão muito crítica no projeto¹. Os métodos clássicos normalmente abordam o problema usando uma abordagem ad hoc 2,3,4,5,6. Dito isso, esses métodos emulam os nós de sensor como ativos inteligentes gerenciados individualmente que também poderiam cooperar para servir aos interesses do indivíduo e da comunidade. Devido ao ambiente volátil onde os sensores trabalham, em alguns trabalhos algoritmos aleatórios são introduzidos para capturar as incertezas ambientais, enquanto em outros, a biointeligência é emprestada para elaborar algoritmos heurísticos que possam alcançar resultados aceitáveis no senso comum⁷. Para ilustrar melhor, para esses algoritmos aleatórios, por um lado, as incertezas ambientais podem não ser tão aleatórias quanto a sequência aleatória gerada por uma CPU clássica, por outro lado, mesmo que as incertezas ambientais sejam absolutamente aleatórias, elas não poderiam ser capturadas pelo simulador de processo aleatório gerado pela CPU clássica; para esses algoritmos de bio-inteligência, em primeiro lugar, nenhuma análise matemática rigorosa foi derivada para fazer uma prova conceitual funcionar, em segundo lugar, a convergência para a verdade ou o limite de tolerância ao erro só pode ser configurado dada uma verdade fundamentada informada – embora uma quantidade significativa de trabalhos na literatura tenha demonstrado até certo ponto que esses algoritmos heurísticos funcionam, Por um lado, esses algoritmos são analisados (não simulados) contra cenários de casos de uso bem definidos, eles param em certos critérios que ainda valem a pena ponderar em pesquisas futuras, por outro, como dito anteriormente, a maioria dos algoritmos não foi validada contra simulação de software que pode ser mais prontamente implantada nos microprocessadores que fazem um sensor em seu ser⁸.

Não consideramos o aprendizado de máquina (ML) aqui porque ele precisa empregar análise de dados, o que requer um volume relativamente grande de poder computacional que não é portátil em dispositivos de sensor⁹.

Para abordar as preocupações acima mencionadas, fornecemos um algoritmo quântico híbrido. O algoritmo é híbrido em que o mecanismo de seleção da cabeça do cluster é implementado usando um algoritmo aleatório clássico durante os cálculos de roteamento conduzidos usando um processador quântico uma vez que a topologia de rede é configurada. O método é justificado da seguinte forma: (1) Como discutido no primeiro parágrafo em relação às incertezas ambientais, não queremos nos esforçar mais para aplicar um gerador de sequência quântica para capturar a dinâmica ambiental, porque ele pode ser historicamente rastreável. A dinâmica ambiental que pode ser historicamente rastreável tem sido justificada por vários trabalhos de pesquisa de aprendizado de máquina em ciência de redes. Para o estágio atual, permanecemos com a abordagem clássica. (2) O método exato que se baseia na análise matemática abstrata garante chegar à verdade fundamental. A física experimental quântica tem sido até agora sofisticadamente apoiada pela matemática física. Além disso, aplicações de algoritmos como o algoritmo Shor¹⁰ existiram para provar essa teoria arredondada.

Uma quantidade adequada de levantamento da literatura é fornecida abaixo para comparação. O protocolo HEESR proposto¹¹ tem méritos demonstráveis nos resultados, mas os autores especificaram bem os parâmetros de configuração da simulação, por exemplo, a função exata de distribuição aleatória da posição do nó, a justificativa adequada do percentual de cabeça de cluster p (0,2%) e o parâmetro de escala para distribuição do nível de energia (1-2 joules) entre nós a_i. Proibiu o autor de continuar a duplicar os experimentos e realizar a comparação. O mecanismo de roteamento de potência¹² emprega o método de ajuste de curva para aproximar funções contínuas convergentes de conjuntos de dados discretos obtidos de espaço amostral não especificado para determinantes que afetam o processo de decisão do roteamento de rede ideal. O método de ajuste de curva¹³ requer informações prévias sobre a topologia da rede. Circunstâncias reais podem não ter informações prévias prontamente disponíveis. Mesmo quando existem informações anteriores, a topologia de rede pode não ser regular o suficiente para poder ser mapeada em curvas de ajuste que são capazes de facilitar a computação derivável. Seguindo a mesma lógica, o protocolo DORAF¹⁴ não justificou como e por que tomar emprestado a função de Boltzmann e a função logística para aproximar os determinantes da rede. Ismail et ^al.15 forneceram uma referência sólida para futuros esforços de pesquisa em projetos de protocolos de roteamento energeticamente eficientes na rede subaquática.