量子プロセッサユニットを用いた大規模エネルギー効率センサネットワークルーティング

Summary

この研究では、量子プロセッサ ユニットを使用して、ネットワークの寿命を最大化するために文献の従来の方法よりも優れたパフォーマンスを発揮するさまざまなトラフィック ダイナミクスのルートを計算する方法を提供します。

Abstract

古典コンピュータと量子プロセッサのハイブリッド利用であるセンサネットワークの省エネ手法は、古典コンピュータを用いたヒューリスティックアルゴリズムよりも優れた性能を発揮することが証明されています。この原稿では、この方法の重要性に関する技術的な背景が提示され、正当化されます。次に、実験手順を操作シーケンスで示し、必要に応じてイラストを交えます。この手法は、ランダムに生成されたネットワーク トポロジのサンプル セット全体で肯定的な結果によって検証されています。この手法の実験結果の成功は、センサーネットワークの寿命最大化問題に対するより良いアプローチを提供し、現在の最先端の量子プロセッサが、文献の現在の方法を上書きするメリットを持つ大規模な実用的な工学的問題を解決できることを実証しました。言い換えれば、量子アドバンテージを最大限活用することができます。概念実証の段階を超えて、実現可能性の証明にまで至っています。

Introduction

センサネットワークの省エネルギー化は、設計¹において非常に重要な課題でした。古典的な方法は通常、アドホ^{ックなアプローチ}2^{、3、4、5、6}を使用して問題に取り組みます。とはいえ、これらの方法は、個人とコミュニティの両方の利益に奉仕するために協力できる、個別に管理されたインテリジェントな資産としてセンサーノードをエミュレートします。センサーが機能する不安定な環境のため、環境の不確実性を捉えるためにランダムなアルゴリズムが導入される作品もあれば、常識的に受け入れられる結果を達成できるヒューリスティックアルゴリズムを考案するためにバイオインテリジェンスが借用される作品もあります⁷。さらに説明すると、これらのランダムアルゴリズムでは、一方では、環境の不確実性は古典CPUによって生成されたランダムシーケンスほどランダムではない可能性があり、他方では、環境の不確実性が完全にランダムであっても、古典CPUによって生成されたランダムプロセスシミュレータではキャプチャできません。これらのバイオインテリジェンスアルゴリズムでは、まず第一に、概念的な証明を機能させるための厳密な数学的分析は導出されておらず、第二に、真理への収束またはエラー許容範囲の境界は、情報に基づいたグラウンドトゥルースが与えられてのみ構成できます。 一つには、これらのアルゴリズムは、明確に定義されたユースケースシナリオに対して分析(シミュレートされていない)であり、さらなる研究で熟考する価値のある特定の基準で停止し、もう一つは、前述のように、アルゴリズムの大部分は、センサーを^{その存在に}するマイクロプロセッサにより容易に展開できるソフトウェアシミュレーションに対して検証されていません8。

機械学習(ML)は、センサーデバイスでは移植できない比較的大量の計算能力を必要とするデータ分析を採用する必要があるため^、ここでは考慮しません9。

上記の懸念に対処するために、ハイブリッド量子アルゴリズムを提供します。このアルゴリズムは、ネットワーク トポロジがセットアップされると、量子プロセッサを使用して実行されるルーティング計算中に、クラスター ヘッド選択メカニズムが古典的なランダム アルゴリズムを使用して実装されるという点でハイブリッドです。(1)環境の不確実性に関する最初のパラグラフで述べたように、環境のダイナミクスを捉えるために量子シーケンス発生器を適用することは、歴史的に追跡可能である可能性があるため、これ以上努力したくありません。歴史的に追跡可能な環境ダイナミクスは、ネットワーク科学におけるさまざまな機械学習研究によって正当化されてきました。現段階では、古典的なアプローチにとどまります。(2)抽象的な数学的分析に依存する正確な方法は、グラウンドトゥルースに到達することを保証します。量子実験物理学は、これまで物理数学によって精緻に支えられてきました。さらに、この丸みを帯びた理論を証明するために、Shor アルゴリズム¹⁰ のようなアルゴリズム アプリケーションが存在しています。

比較のために、十分な量の文献調査を以下に示します。¹¹ で提案されたHEESRプロトコルは、結果において実証可能なメリットがあるが、著者らは、例えば、ノード位置の正確なランダム分布関数、クラスターヘッドパーセンテージp(0.2%)の適切な正当化、ノード間のエネルギー準位の分布(1-2ジュール)のスケーリングパラメータなど、シミュレーション構成パラメータを十分に指定a_i。著者が実験を複製し、比較を行うことを禁じた。電力ルーティング機構¹² は、曲線フィッティング法を採用して、最適ネットワークルーティングの決定プロセスに影響を与える行列式について、不特定のサンプル空間から得られた離散データセットから収束連続関数を近似する。曲線フィッティング法¹³ は、ネットワークトポロジに関する事前情報を必要とする。実際の状況では、事前の情報がすぐに入手できない場合があります。事前情報が存在していても、ネットワーク トポロジは、導出可能な計算を容易にする近似曲線にマッピングできるほど規則的ではない可能性があります。同じ論理に従って、DORAFプロトコル¹⁴ は、ネットワーク行列式を近似するためにボルツマン関数とロジスティック関数を借用する方法と理由を正当化していません。Ismailら¹⁵ は、水中ネットワークにおけるエネルギー効率の高いルーティングプロトコル設計に関する将来の研究努力のための健全な参考資料を提供しました。

Protocol

1. Dwave Ocean Environmentのセットアップ

1. 次のリンクから海洋ツールをダウンロードしてインストールします https://docs.ocean.dwavesys.com/en/stable/overview/install.html
   1. ターミナルで「 python -m venv ocean」と入力します。
   2. ターミナルで、 ocean/bin/activateと入力します( 図1)。
   3. ターミナルで「git clone https://github.com/dwavesystems/dwave-ocean-sdk.git」と入力します。
      次に、cd dwave-ocean-sdk と入力します ( 図 2 を参照)。
      次に、 pythonと入力してインストール setup.py

図1:海洋仮想環境の活性化。 Oceanパッケージは、D-wave APIが統合されているため、ユーザー自身のコンピューターを介してD-waveマシンのオンプレミスに曇ったユーザーエクスペリエンスを提供します。 この図の拡大版をご覧になるには、ここをクリックしてください。

図2:Ocean SDKのインストール Ocean パッケージは、便利な Cplex インストールを含む、開発者に必要なツールキットを提供します。 この図の拡大版をご覧になるには、ここをクリックしてください。

2. Cplex Python API インターフェースのインストール

1. Cplex: https://pypi.org/project/cplex/ のダウンロードおよびインストール
   1. ターミナルで、 pip install cplex と入力します。

3. 実験構成パラメーター

1. 補足図 1 に示すように、スクリプトで Python プログラミング表記を使用して、表 1 に記載されている実験構成パラメーターを設定します。スクリプトが実行されて実行されると、基になる言語が処理して変数をRAMに格納します。パラメータにそれぞれ値が割り当てられているPythonコードのスクリーンショットが添付されています(補足図1)。

d0	87.7085メートル
E	50 * 1 x 10-09 ジュール
epson_fs	1 * 10-12 * 10ジュール
epson_mp	0.0013 * 1 * 10-12 ジュール
パケット サイズ	4000 ビット

表 1: エネルギー モデル パラメーターとパケット サイズの設定。

補足 図 1: Script1.実験パラメーターを設定するスクリプト。 このファイルをダウンロードするには、ここをクリックしてください。

4. Python スクリプト

1. 半径 50 m の円形エリアを分割する 6 つのセクターに均等に分散された 198 個のセンサー ノードの 2D 位置を生成する Python スクリプトを準備します。
   注: 円形グラフは 6 つのセクターに分かれています。各セクタでは、各ノードの位置が2つの対応する変数で処理されます。1つは角度で、もう1つは半径です。一様乱数分布発生器を使用して、角度と半径の両方に値を割り当てます。詳細な手順を補足 図2 と 補足図3に示します。
2. 各セクター内で、33個のセンサーノードが正規分布によってランダムに散在していることを確認します。2D位置を、名前のスペル規則の下で、各セクターごとにテキストファイルに「 posdata'+sector_no+'.txt」 として保存します(図3 および 図4)。
   1. 半径 50 m の円形エリアを 6 つのセクターに分割します。これら 6 つのセクターの開始角度値により、ベクトル A= [60,120,180,240,300,360] になります。
      1. セクターインデックスがiであると仮定すると、j^番目の センサーノードの極長を l_{i,j}=50*random.random()に設定します。
      2. セクター インデックスが i であるとすると、j^番目のセンサー ノードの角度値を ang_{i,j}=(60*random.random() + A_i - 60) * 2 * pi / 360 に設定します。
      3. i^番目のセクターのj^番目のセンサーノードのデカルト座標を次のように設定します。
         x_{i,j}=l_{i,j}*cos(ang_{i,j})
         y_{i,j}=l_{i,j}*sin(ang_{i,j})

補足 図 2: Script2.各ノードの 2 つのディメンション位置の位置をセクターごとに構成するスクリプト。 このファイルをダウンロードするには、ここをクリックしてください。

補足 図3:Script3。各ノードの位置値を 1 セクター以内で設定するスクリプト。 このファイルをダウンロードするには、ここをクリックしてください。

図3:1つのセクタに対応する6つのファイルに分割して生成・保存された節点の位置。 2次元の位置位置は、6つのposdata+'idx'ファイルに保存されます。それぞれがセクターを提示します。 この図の拡大版をご覧になるには、ここをクリックしてください。

図4:セクタ0に格納された節点の位置。 位置は 2 次元であり、一様乱数発生器を使用して生成されます。最初の列は水平方向の位置で、2 番目の列は垂直方向の位置です。 この図の拡大版をご覧になるには、ここをクリックしてください。

5.初期エネルギー準位の準備

1. 198個のセンサーノードすべての初期エネルギー準位を準備します。それらの半分を0.5 Jの初期エネルギーで割り当て、残りの半分を1 Jの初期エネルギーで割り当てます。 各ノードのエネルギー準位を格納する配列を作成し、ループを使用して、偶数でシーケンスされたセルに値1を割り当て、奇数でシーケンスされたセルに値0.5を割り当てます。 補足図 4 に Python コードを示し、その結果を 図 5 に示します。

補足 図4:Script4。ノードのエネルギーの半分(1ジュール)と残りの0.5ジュールを割り当てるスクリプト。 このファイルをダウンロードするには、ここをクリックしてください。

図5:初期割り当てEnergy_buffer。 ノードの半分には 1 ジュールのエネルギーが割り当てられ、残りの半分には 0.5 ジュールが割り当てられます。 この図の拡大版をご覧になるには、ここをクリックしてください。

6. アルゴリズムスクリプトAdvanced_Leach準備する(図6 、 図7)

1. クラスタヘッドが選択され、クラスタが形成される機能スクリプトを準備します。
   注: クラスタは、選択されたクラスタヘッドの数がノードの総数を 6 で割った数よりも少ないことを条件に、ループを使用して選択されます。条件は、各クラスター内で、ソース・ノードの量が 6 以下であることを確認することです。ループ内では、各ノードに [0,1] の間の乱数が割り当てられます。特定の基準番号よりも小さいものがクラスター ヘッドになり、それ以外がソース ノードになります。詳細な手順を 補足図5に示します。次に、クラスター ヘッドの固定プールが与えられた場合、クラスター ヘッドがまだ 6 つを超えるソース ノードをホストしていないため、残りのソース ノードは最短距離内のクラスター ヘッドを選択します。詳細な手順を 補足図6に示します。
   1. T_n=P/(1-P*(count%(1/P)))) と設定し、P = 0.2 (ネットワーク全体のサイズに対するクラスタ ヘッドの数の比例率) とし、カウントは最新の送信ラウンドの量です。
   2. 各センサー ノードについて、[0,1] threshold_rm = random.random() の間の乱数を取得します。
      1. threshold_rmが T_n 未満の場合は、このセンサー ノードをクラスター ヘッドとして選択します。
   3. cluster_head以外のノードごとに、最も近いクラスター ヘッド センサー ノードをクラスター ヘッドとして選択します。クラスタ ヘッドの固定プールが与えられた場合、クラスタ ヘッドがまだ 6 つを超えるソース ノードをホストしていないため、残りのソース ノードは最短距離内のクラスタ ヘッドを選択します。詳細な手順を 補足図6に示します。
2. コマンドラインを準備して、このラウンドのネットワーク全体のエネルギー枯渇プロセスを計算します。送信元ノードからシンクへのパケットの配信の 1 つのバッチを完了するアルゴリズムの実行ごとに、準備されたエネルギー貯蔵アレイが更新され、セルごとに値が減少します。パスに沿ったエネルギー消費量は、エネルギー モデル¹ に従って計算されたノード間ルートごとのエネルギー消費量の合計になります。詳細な手順を 補足図7に示します。
3. 必要な送信ラウンド メトリックを計算します。
   注:パケット配信の1つのバッチを完了するためにアルゴリズムを実行するごとに、エネルギーアレイが更新され、実行量と排出されたノードの数がカウントされます。値が1以上の場合、FND(最初の節点ダイ)は現在の実行量と等しくなります。値がノード量の半分以上の場合、HND(ハーフノードダイ)は現在の実行量と等しくなります。値が全体のノード量と等しい場合、AND(すべてのノード ダイ)は現在の実行量と等しくなります。詳細な手順を 補足図8に示します。

図6:クラスタヘッドアレイ クラスター・ヘッドとして選択されたノードのシーケンス番号。 この図の拡大版をご覧になるには、ここをクリックしてください。

図7:クラスタヘッドインデックス配列 クラスタヘッドインデックス配列には、それぞれ33個のセンサノードを持つ6つのセクタがあるため、数字は対応するセンサノードが属するクラスタヘッドのシーケンス番号を示します。配列の位置インデックスは、各センサーノードのシーケンス番号に対応します。クラスター・ヘッドとして選択されたセンサー・ノードの場合、アレイ内のそのスロットに割り当てられる番号は、それ自体のシーケンス番号です。 この図の拡大版をご覧になるには、ここをクリックしてください。

補足 図 5: Script5.クラスタヘッドを選択するスクリプト。 このファイルをダウンロードするには、ここをクリックしてください。

補足 図 6: Script6.ソースノードをクラスターに割り当てるスクリプト。 このファイルをダウンロードするには、ここをクリックしてください。

補足 図 7: Script7.送信によって消費されるエネルギー量を削減することにより、すべてのソースノードのエネルギーバッファを更新するスクリプト。 このファイルをダウンロードするには、ここをクリックしてください。

補足 図 8: Script8.最初のノードが停止し、ノードの半分が停止するまでの切り上げの量を計算するスクリプト。 このファイルをダウンロードするには、ここをクリックしてください。

7. ハイブリッド量子アルゴリズムスクリプトの準備

1. クラスタヘッドが選択され、クラスタヘッドが形成される機能するスクリプトを準備します。
   1. この実験¹ では最大クラスター サイズが 6 であるため、クラスター ヘッドの量が current_valid_node_amount/6 以上であることを確認し、この基準が満たされるまで選択手順がループで実行されます。
      注: current_valid_node_amount が 6 以下の場合、これらの有効なノードは 1 つのクラスタを形成します。
   2. cluster_head_valid以外のノードごとに、選択した各クラスタヘッドまでの距離を計算し、クラスタサイズが6を超えていないクラスタヘッド(距離の値が最小)を割り当てます。
      注: 図8では、選択されたクラスタヘッド24までのすべての非cluster_head_validノードの距離が計算され、選択されたすべてのクラスタヘッドが 図9に表示されます。 図 10 は、すべてのノードが対応するクラスター ヘッドに割り当てられていることを示しており、 図 11 は、各クラスターのメンバー ノードをベクトル配列にグループ化していることを示しています。
2. サブファンクション スクリプトを準備し、クラスタごとのルーティング最適化問題を形成して D-wave API に送信します(図 12)。ルーティング パスは、クラスターごとに計算されます。
3. Pythonスクリプトを用いて、ネットワーク全体のエネルギー枯渇過程を計算し、ネットワーク寿命別に伝送ラウンド数でアルゴリズムを定量的に評価します。
   注: 送信元ノードからシンクへのパケットの配信の 1 つのバッチを完了するアルゴリズムの実行ごとに、準備されたエネルギー貯蔵アレイが更新され、セルごとに値が減少します。パスに沿ったエネルギー消費量は、エネルギー モデル¹ に従って計算された、ノード間ルートごとのエネルギー消費量の合計になります。詳細な手順を 補足図7に示します。
4. Python スクリプトを使用して、最初のノードが排出された瞬間と、ノードの半分が排出された瞬間を記録します。詳細な手順を 補足図8に示します。

図8:インデックス24の非cluster_headノードのtoClusterHeadDistance配列。 最初の列は距離で、2番目の列はクラスターヘッドインデックス番号です この図の拡大版を表示するには、ここをクリックしてください。

図9:アレイCHID_buff クラスター・ヘッドとして選択されているセンサー・ノードのシーケンス番号。 この図の拡大版をご覧になるには、ここをクリックしてください。

図 10 CHIdx_buff配列 クラスター・ヘッド・センサー・ノードのシーケンス番号を、対応する各センサー・ノードに割り当てました。 この図の拡大版をご覧になるには、ここをクリックしてください。

図11:アレイCH_BUFF アレイCHID_buffに対応するクラスターヘッドセンサーノードあたりのクラスターグループ。各クラスタ グループは、0 個または 0 個以上のセンサー ノードで構成されます。各クラスタグループアレイには、その中にあるセンサーノードのシーケンス番号が表示されます。 この図の拡大版をご覧になるには、ここをクリックしてください。

図 12: セクタごとのルーティング パスの計算。 セクタごとに、すべてのソースノードのルーティングパスが計算されます。 この図の拡大版をご覧になるには、ここをクリックしてください。

Results

1つの実行サンプルの結果を 表2、 表3、および 表4に示します。データの 3 つのバッチの詳細データセットは、 Supplementary Data 1 フォルダーにあります。

データセット 1
半径50mの円形エリアに198ノード	ハイブリッド量子アルゴリズム	Advanced_Leachアルゴリズム
FND(フエヌド)	1442	727
羽田	2499	1921

Discussion

現在の最先端の商用量子プロセッサは、あらゆるネットワーク^{トポロジの計算}問題で使用できます1。量子プロセッサのアプリケーションは、量子プロセッサが実装できた物理量子ビットの数に制約されません。

センサネットワークの長寿命化設計では、量子プロセッサを用いることで、ネットワーク寿命をさらに延ばす手法が進歩した結果となりました。この結果は、量子の優位性が公共部門と民間部門の両方で商業的に活用される準備ができていることを示唆しています。

経営上の意味合いとして、クォンタム・アドバンテージは、近未来のハイテクの持続可能な繁栄のための有望な道を開くための次のマイルストーンとなる可能性があります。現在のハイテクは、学習戦略や人工知能(AI)の観点から、どのような方法でもデータを処理/保持するためのパワードライブを必要とします。グリーングローブの俯瞰的な視点から見ると、良い候補として際立っているわけではありません¹⁶.ML/AIは計算の経済性を高め...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
デルのノートパソコン	デル	N/A
Ubuntuの 18.04.6 LTS	Canonical Ltd	18.04.6 LTS
Python3.8	Pythonのソフトウェアファウンデーション	3.8.0
Dwave QPU	Dwave	https://docs.ocean.dwavesys.com/en/stable/overview/install.html