Enrutamiento de red de sensores de eficiencia energética a gran escala mediante una unidad de procesador cuántico

La conservación de la energía en las redes de sensores ha sido un tema muy crítico en el diseño¹. Los métodos clásicos normalmente abordan el problema utilizando un enfoque ad hoc 2,3,4,5,6. Dicho esto, estos métodos emulan los nodos sensores como activos inteligentes gestionados individualmente que también podrían cooperar para servir tanto a los intereses del individuo como a los de la comunidad. Debido al entorno volátil en el que trabajan los sensores, en algunos trabajos se introducen algoritmos aleatorios para captar las incertidumbres ambientales, mientras que en otros, se toma prestada la biointeligencia para idear algoritmos heurísticos que podrían lograr resultados aceptables de sentido común⁷. Para ilustrar aún más, para esos algoritmos aleatorios, por un lado, las incertidumbres ambientales podrían no ser tan aleatorias como la secuencia aleatoria generada por una CPU clásica, por otro lado, incluso si las incertidumbres ambientales son absolutamente aleatorias, no podrían ser capturadas por el simulador de proceso aleatorio generado por la CPU clásica; Para esos algoritmos de biointeligencia, en primer lugar, no se ha derivado un análisis matemático riguroso para hacer que una prueba conceptual funcione, en segundo lugar, la convergencia a la verdad o el límite de tolerancia al error solo se puede configurar dada una verdad fundamentada informada, aunque una cantidad significativa de trabajos en la literatura han demostrado hasta cierto punto que estos algoritmos heurísticos funcionan. Por un lado, estos algoritmos se analizan (no se simulan) contra escenarios de casos de uso bien definidos, se detienen en ciertos criterios que aún vale la pena considerar en futuras investigaciones, por otro, como se dijo antes, la mayoría de los algoritmos no han sido validados contra la simulación de software que se puede implementar más fácilmente en los microprocesadores que hacen que un sensor sea^8.

No consideramos el aprendizaje automático (ML) aquí porque necesita emplear análisis de datos, lo que requiere un volumen relativamente grande de potencia computacional que no es portátil en dispositivos^sensores.

Para abordar las preocupaciones mencionadas anteriormente, proporcionamos un algoritmo cuántico híbrido. El algoritmo es híbrido en el sentido de que el mecanismo de selección de encabezado de clúster se implementa utilizando un algoritmo aleatorio clásico durante los cálculos de enrutamiento realizados con un procesador cuántico una vez que se configura la topología de red. El método se justifica de la siguiente manera: (1) Como se discutió en el primer párrafo con respecto a las incertidumbres ambientales, no queremos esforzarnos más en aplicar un generador de secuencias cuánticas para capturar la dinámica ambiental porque podría ser históricamente rastreable. La dinámica ambiental que puede ser históricamente rastreable ha sido justificada por varios trabajos de investigación de aprendizaje automático en ciencia de redes. Para la etapa actual, nos quedamos con el enfoque clásico. (2) El método exacto que se basa en el análisis matemático abstracto garantiza llegar a la verdad fundamental. Hasta ahora, la física experimental cuántica ha sido sofisticadamente apoyada por las matemáticas físicas. Además, han existido aplicaciones algorítmicas como el algoritmo Shor¹⁰ para probar esta teoría redondeada.

A continuación se proporciona una cantidad adecuada de bibliografía para la comparación. El protocolo HEESR propuesto¹¹ tiene méritos demostrables en los resultados, pero los autores han especificado bien los parámetros de configuración de la simulación, por ejemplo, la función de distribución aleatoria exacta de la posición del nodo, la justificación adecuada del porcentaje de cabeza del clúster p (0,2%) y el parámetro de escalado para la distribución del nivel de energía (1-2 julios) entre los nodos a_i. Prohibió al autor seguir adelante con la duplicación de los experimentos y la realización de la comparación. El mecanismo de enrutamiento de potencia¹² emplea el método de ajuste de curvas para aproximar funciones continuas convergentes a partir de conjuntos de datos discretos obtenidos de un espacio muestral no especificado para determinar los determinantes que afectan el proceso de decisión del enrutamiento óptimo de la red. El método de ajuste de curva¹³ requiere información previa sobre la topología de la red. Es posible que las circunstancias reales no tengan información previa fácilmente disponible. Incluso cuando existe información previa, es posible que la topología de red no sea lo suficientemente regular como para poder asignarse a curvas de ajuste que puedan facilitar el cálculo derivable. Siguiendo la misma lógica, el protocolo^{DORAF 14} no ha justificado cómo y por qué tomar prestada la función de Boltzmann y la función logística para aproximar los determinantes de la red. Ismail et ^al.15 han proporcionado una referencia sólida para futuros esfuerzos de investigación sobre el diseño de protocolos de enrutamiento energéticamente eficientes en la red submarina.